Regression adjustment in completely randomized experiments with many covariates
多协变量完全随机实验中的回归调整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：摘要直接研究随机实验中平均处理效应的估计与推断。
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…
多协变量完全随机实验中的回归调整
- 研究问题
- 完全随机实验中，当协变量数量随样本量增长时，如何通过回归调整估计平均处理效应，并维持可靠的统计推断？
- 方法与思路
- 作者在 Neyman 设计型框架中研究交叉拟合回归调整，推导随机展开的一阶与二阶项，并提出修改后的 HC3 标准误。
- 材料陈述的贡献
- 摘要称，交叉拟合估计量具有更有利的渐近性质，方法可扩展至大层分层实验；模拟显示配合修改 HC3 的表现可靠。
- 阅读关注点
- 应核对协变量维数增长的具体限制、交叉拟合方式、修改 HC3 的公式，以及比较估计量与模拟设计覆盖的情形。
- 阅读边界
- 所给 RePEc 出版社摘要未列出完整正则条件、误差阶或模拟数值，不能将所述优势推广至任意高维实验。
原文摘要
This paper investigates estimation and inference for average treatment effects in completely randomized experiments when researchers observe potentially many covariates. Within Neyman’s (1923) design-based framework, allowing the number of covariates to grow more slowly than the sample size, we demonstrate that a cross-fitted regression adjustment estimator–adapted from Aronow and Middleton (2013)–exhibits more favorable asymptotic properties than existing alternatives, such as Lin’s (2013) regression adjustment estimator and the bias-corrected estimator of Lei and Ding (2021). For inference, we derive the first- and second-order terms in the stochastic expansions of regression-adjusted estimators, analyze the higher-order behavior of existing inference procedures, and introduce a modified version of the HC3 standard error. The proposed methods extend naturally to stratified experiments with large strata. Simulation studies show that the cross-fitted estimator, in combination with the modified HC3, provides accurate point estimates and reliable size control across a wide range of data-generating processes.