Cluster-Randomized Trials with Cross-Cluster Interference
存在跨簇干扰的整群随机试验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：摘要直接研究整群随机试验的处理效应估计及跨簇干扰，属于因果推断与网络干扰。
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
存在跨簇干扰的整群随机试验
- 研究问题
- 整群随机试验中的干扰跨越簇边界时，如何减少常规均值差估计的偏差，并在簇数量与大小选择中平衡偏差和方差？
- 方法与思路
- 作者排除未被同一处理组簇包围的单位，分析簇数量的偏差与方差权衡，提出渐近平衡规则，并研究 k-medoids 构簇。
- 材料陈述的贡献
- 摘要称该筛选估计策略可显著降低跨簇干扰偏差且方差代价不大，并给出簇数量选择规则和 k-medoids 构簇的理论保证。
- 阅读关注点
- 核对干扰范围与衰减条件、周围簇的判定和筛选后的估计目标，以及簇数量规则、渐近框架与构簇保证的适用范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审和期刊接收均未核实；摘要未说明具体干扰条件、有限样本代价或筛选对目标总体的影响。
原文摘要
The literature on cluster-randomized trials typically allows for interference within but not across clusters. This may be implausible when units are irregularly distributed across space without well-separated communities, as clusters in such cases may not align with significant geographic, social, or economic divisions. This paper develops methods for reducing bias due to cross-cluster interference. We first propose an estimation strategy that excludes units not surrounded by clusters assigned to the same treatment arm. We show that this substantially reduces bias relative to conventional difference-in-means estimators without significant cost to variance. Second, we formally establish a bias-variance trade-off in the choice of clusters: constructing fewer, larger clusters reduces bias due to interference but increases variance. We provide a rule for choosing the number of clusters to balance the asymptotic orders of the bias and variance of our estimator. Finally, we consider unsupervised learning for cluster construction and provide theoretical guarantees for $k$-medoids.