Power and Sample Size Calculations for Rerandomization
再随机化实验的功效与样本量计算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：摘要研究随机化实验中的因果效应估计、处理效应异质性及相应的功效和样本量设计。
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
再随机化实验的功效与样本量计算
- 研究问题
- 通过重复随机分配实现协变量平衡的实验，应如何计算检验功效和样本量，处理效应异质性又如何改变其相对完全随机化的优势？
- 方法与思路
- 作者建立再随机化处理组与对照组实验的功效分析，比较完全随机化，并分析推断保守性及处理效应异质性对功效的影响。
- 材料陈述的贡献
- 摘要称再随机化通常提高功效，但很小效应下可能降低功效；异质性对大效应和小效应的功效影响方向不同，可据此进行样本量计算。
- 阅读关注点
- 应核对协变量平衡标准、检验与方差估计方式、功效公式的条件，以及样本量计算如何设定未知的处理效应异质性。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实。摘要未给出功效公式和适用条件，不能据此确定任一实验所需的具体样本量。
原文摘要
Power analyses are an important aspect of experimental design, because they help determine how experiments are implemented in practice. It is common to specify a desired level of power and compute the sample size necessary to obtain that power. Such calculations are well-known for completely randomized experiments, but there can be many benefits to using other experimental designs. For example, it has recently been established that rerandomization, where subjects are randomized until covariate balance is obtained, increases the precision of causal effect estimators. This work establishes the power of rerandomized treatment-control experiments, thereby allowing for sample size calculators. We find the surprising result that, while power is often greater under rerandomization than complete randomization, the opposite can occur for very small treatment effects. The reason is that inference under rerandomization can be relatively more conservative, in the sense that it can have a lower type-I error at the same nominal significance level, and this additional conservativeness adversely affects power. This surprising result is due to treatment effect heterogeneity, a quantity often ignored in power analyses. We find that heterogeneity increases power for large effect sizes but decreases power for small effect sizes.