Simple Standard Errors for Complicated (Quasi-)Experimental Designs
复杂（准）实验设计下的简单标准误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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要核心是因果效应估计的方差估计与设计基础推断，并明确涉及单元间溢出/干扰与空间相关处理分配，直接对应因果推断与网络与干扰两个方向。
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…
关注这篇论文的作者
复杂（准）实验设计下的简单标准误
- 研究问题
- 在处理的暴露分布已知、但单元间存在复杂依赖（如溢出/干扰或处理分配空间相关）的情形下，如何为因果效应估计构造标准误。
- 方法与思路
- 作者提出一个方差估计量，将完全随机实验的 Neyman 方差估计量的若干性质推广到一般设计；从设计视角证明其对某方差上界无偏，并讨论在潜在结果超总体抽样下的有效性。
- 材料陈述的贡献
- 摘要称该估计量在简单设计中退化为 Neyman 方差估计量与聚类稳健方差估计量，在二次型方差估计量类中可容许，并给出其渐近一致的条件；模拟与两项实证应用中表现良好，部分情形标准误比现有替代方法短 2–3 倍。
- 阅读关注点
- 应核对依赖结构的识别假设、上界保守性如何依赖处理效应异质性、可容许性与渐近一致所需条件，以及模拟与两项应用的具体设定和比较基准。
- 阅读边界
- 仅依据摘要，无法判断定理条件、模拟设计与实证细节是否稳健；摘要未说明具体数据、参数取值与完整证明。该文为 arXiv 预印本，未经同行评审或期刊接收验证。
原文摘要
We develop standard errors for estimates of causal effects in settings where the distribution of treatment exposures is known but potentially exhibits complicated dependence patterns across units. Such dependence arises, for example, in settings with spillovers/interference across units or when the treatment assignment is spatially correlated. Our variance estimator generalizes several properties of the Neyman variance estimator for completely randomized experiments to general designs: it is unbiased for an upper bound on the variance from the design-based perspective; the conservativeness of this upper bound depends on the heterogeneity of treatment effects; and it is also valid under certain forms of super-population sampling of the potential outcomes. Our estimator reduces to standard approaches in simple designs, such as the Neyman variance estimator in completely randomized experiments and the cluster-robust variance estimator in cluster-randomized experiments. We show that the proposed estimator is admissible among the class of quadratic-form variance estimators, and derive asymptotic conditions under which it is consistent for an upper bound on the asymptotic variance of the treatment effect estimator. In simulations and applications based on two empirical studies, one with peer effects and another with a spatially correlated treatment, we find that the proposed variance estimator performs well, and in some cases yields standard errors that are 2-3 times shorter than those of existing alternatives.