Linear estimation of global average treatment effects
全体处理相对全体不处理的平均效应线性估计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：摘要研究随机实验中全体处理的因果效应，并允许任意单位之间发生空间溢出，直接对应因果推断与干扰。
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
全体处理相对全体不处理的平均效应线性估计
- 研究问题
- 只处理部分人口的实验存在缓慢衰减的空间溢出时，如何估计全体处理相对全体不处理的平均因果效应？
- 方法与思路
- 作者比较线性估计与实验设计的极小极大速率，分析大簇下的逆概率加权及线性因果模型下的 OLS 估计。
- 材料陈述的贡献
- 摘要称大簇随机化可使加权估计达到所述速率；线性模型下小簇 OLS 更快，并提供半径选择与推断方法。
- 阅读关注点
- 应核对空间溢出衰减条件、簇大小与速率的关系，以及 OLS 依赖的线性结构和应用中半径选择的依据。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核实；摘要未给出完整速率表达式，OLS 结论依赖线性模型。
原文摘要
We study estimation of and inference for the average causal effect of treating every member of a population, as opposed to none, using an experiment that treats only some. Considering settings where spillovers can occur between any pair of units and decay slowly with distance, we derive the minimax rate over all linear estimators and experimental designs, which increases with the spatial rate of spillover decay. This rate of convergence can be achieved using an inverse probability weighting estimator when randomization clusters are large, but not otherwise. If the causal model is linear, however, an OLS-based estimator converges faster than IPW when clusters are small and is consistent even under unit-level randomization. We provide methods for radius selection and inference and apply these to the cash transfer experiment studied by Egger et al. (2022), obtaining a 22% larger estimated effect on consumption.