Optimal data collection for randomized control trials
随机对照试验的最优数据收集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：摘要直接研究随机试验设计、平均处理效应估计精度及相应检验功效。
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…
随机对照试验的最优数据收集
- 研究问题
- 在预算约束下，随机对照试验应如何权衡增加受试者人数与收集更多协变量，以提高平均处理效应估计精度和检验功效？
- 方法与思路
- 作者将数据收集优化问题转化为协变量对结果的最优预测问题，并利用类似研究、普查或调查等实验前数据开展机器学习。
- 材料陈述的贡献
- 摘要给出实验数据收集与预测优化之间的等价关系，并称两项应用中数据收集成本的降幅最高可达58%。
- 阅读关注点
- 应核对成本函数、等价关系成立的条件，以及实验前预测关系如何迁移到新试验，并关注协变量选择的不确定性。
- 阅读边界
- 摘要未说明成本结构、数据可迁移条件和精度的具体度量；所报最高改善来自两项应用，不能作为普遍收益保证。
原文摘要
Summary In a randomized control trial, the precision of an average treatment effect estimator and the power of the corresponding t-test can be improved either by collecting data on additional individuals, or by collecting additional covariates that predict the outcome variable. To design the experiment, a researcher needs to solve this trade-off subject to her budget constraint. We show that this optimization problem is equivalent to optimally predicting outcomes by the covariates, which in turn can be solved using existing machine learning techniques using pre-experimental data such as other similar studies, a census, or a household survey. In two empirical applications, we show that our procedure can lead to reductions of up to 58% in the costs of data collection, or improvements of the same magnitude in the precision of the treatment effect estimator.