Causal Inference from 2K Factorial Designs by Using Potential Outcomes
两水平析因设计的潜在结果因果推断AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确以潜在结果定义析因设计的因果效应，并研究随机化与有限总体推断。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
两水平析因设计的潜在结果因果推断
- 研究问题
- 如何用潜在结果定义两水平析因设计中的因果效应，并分析单位处理效应的非可加性对重复抽样推断和随机化检验的影响？
- 方法与思路
- 作者建立有限总体潜在结果框架，研究 Neyman 估计与 Fisher 尖锐零假设检验，并允许定义平均析因效应之外的目标量。
- 材料陈述的贡献
- 摘要称该框架扩展了可定义和估计的因果目标量，并提供比基于线性模型普通最小二乘估计更灵活的推断程序。
- 阅读关注点
- 阅读全文时应核对处理分配机制、非可加性的定义、目标量与方差估计方式，以及重复抽样推断和尖锐零假设检验的区别。
- 阅读边界
- 仅据所给 Crossref 摘要；具体设计条件、方差公式与灵活性体现未说明，不能将框架直接推广到任意观察性数据。
原文摘要
Summary A framework for causal inference from two-level factorial designs is proposed, which uses potential outcomes to define causal effects. The paper explores the effect of non-additivity of unit level treatment effects on Neyman's repeated sampling approach for estimation of causal effects and on Fisher's randomization tests on sharp null hypotheses in these designs. The framework allows for statistical inference from a finite population, permits definition and estimation of estimands other than ‘average factorial effects’ and leads to more flexible inference procedures than those based on ordinary least squares estimation from a linear model.