Rerandomization in $2^{K}$ factorial experiments
二水平多因子实验中的重随机化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：摘要研究因子实验的处理随机分配、重随机化设计和因子效应推断，直接对应因果推断。
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…
关注这篇论文的作者
二水平多因子实验中的重随机化
- 研究问题
- 多个处理因子和大量处理前协变量并存时，如何同时改善各因子效应的协变量平衡，并进行联合效应推断？
- 方法与思路
- 作者按协变量平衡标准限制随机分配，并允许按重要性分层；在随机化推断框架中研究通常因子效应估计量的联合渐近分布。
- 材料陈述的贡献
- 摘要称，重随机化下的联合渐近分布对称、单峰且更集中于真实效应，并构造保守的大样本因子效应置信集。
- 阅读关注点
- 应核对平衡接受标准、因子效应和协变量的分层规则、渐近正则条件，以及分布集中程度与置信集保守性的定义。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要，无法判断有限样本覆盖或计算代价；不要求协变量与结果分布模型不等于无需渐近条件。
原文摘要
With many pretreatment covariates and treatment factors, the classical factorial experiment often fails to balance covariates across multiple factorial effects simultaneously. Therefore, it is intuitive to restrict the randomization of the treatment factors to satisfy certain covariate balance criteria, possibly conforming to the tiers of factorial effects and covariates based on their relative importances. This is rerandomization in factorial experiments. We study the asymptotic properties of this experimental design under the randomization inference framework without imposing any distributional or modeling assumptions of the covariates and outcomes. We derive the joint asymptotic sampling distribution of the usual estimators of the factorial effects, and show that it is symmetric, unimodal and more “concentrated” at the true factorial effects under rerandomization than under the classical factorial experiment. We quantify this advantage of rerandomization using the notions of “central convex unimodality” and “peakedness” of the joint asymptotic sampling distribution. We also construct conservative large-sample confidence sets for the factorial effects.