Design-Based Ratio Estimators and Central Limit Theorems for Clustered, Blocked RCTs
聚类分区随机试验的设计型比率估计与中心极限定理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：摘要以聚类分区随机对照试验中的平均处理效应和随机化设计推断为核心，具有明确的因果推断方向依据。
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…
聚类分区随机试验的设计型比率估计与中心极限定理
- 研究问题
- 在按簇随机分配且进行分区的试验中，如何允许一般权重和协变量估计平均处理效应，并为不同分区模型提供设计型推断？
- 方法与思路
- 作者研究有限总体加权最小二乘比率估计，分别考虑分区与处理状态交互模型及仅含分区指标的受限模型，并构造方差估计。
- 材料陈述的贡献
- 摘要称针对两类模型证明新的有限总体中心极限定理，模拟中少量簇下也获得接近名义的拒绝率，并提供学校干预试验应用。
- 阅读关注点
- 应核对随机化机制、加权平均处理效应的定义、有限总体渐近条件，以及两类模型和方差估计在少量簇情形下的适用范围。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；摘要未列簇数、簇规模及权重条件，少簇模拟表现不能直接视为普遍有限样本保证。
原文摘要
This article develops design-based ratio estimators for clustered, blocked randomized controlled trials (RCTs), with an application to a federally funded, school-based RCT testing the effects of behavioral health interventions. We consider finite population weighted least-square estimators for average treatment effects (ATEs), allowing for general weighting schemes and covariates. We consider models with block-by-treatment status interactions as well as restricted models with block indicators only. We prove new finite population central limit theorems for each block specification. We also discuss simple variance estimators that share features with commonly used cluster-robust standard error estimators. Simulations show that the design-based ATE estimator yields nominal rejection rates with standard errors near true ones, even with few clusters.