Lasso-adjusted treatment effect estimation under covariate-adaptive randomization
协变量自适应随机化下的 Lasso 调整处理效应估计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。
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：摘要直接研究随机实验中的处理效应估计、回归调整和有效推断，属于因果推断。
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
协变量自适应随机化下的 Lasso 调整处理效应估计
- 研究问题
- 在协变量自适应随机实验中，如何利用大量基线变量进行回归调整，并在模型可能误设时有效估计和推断处理效应？
- 方法与思路
- 作者建立允许模型误设和高维基线协变量的回归调整理论，以两类 Lasso 调整估计量为例，并构造非参数一致方差估计。
- 材料陈述的贡献
- 摘要称，两类估计量分别在各自类别内最优，所提方差估计支持不同随机化方法下的有效推断，数值研究展示稳健性与效率改善。
- 阅读关注点
- 应核对两类估计量及其最优性比较类别、稀疏性与随机化条件，以及方差估计对不同设计有效所需的具体限制。
- 阅读边界
- 仅据所给 Crossref 摘要；高维条件、允许的随机化范围和效率数值未说明，类别内最优性不能解释为所有估计量中的最优性。
原文摘要
Summary We consider the problem of estimating and inferring treatment effects in randomized experiments. In practice, stratified randomization, or more generally, covariate-adaptive randomization, is routinely used in the design stage to balance treatment allocations with respect to a few variables that are most relevant to the outcomes. Then, regression is performed in the analysis stage to adjust the remaining imbalances to yield more efficient treatment effect estimators. Building upon and unifying recent results obtained for ordinary-least-squares adjusted estimators under covariate-adaptive randomization, this paper presents a general theory of regression adjustment that allows for model mis-specification and the presence of a large number of baseline covariates. We exemplify the theory on two lasso-adjusted treatment effect estimators, both of which are optimal in their respective classes. In addition, nonparametric consistent variance estimators are proposed to facilitate valid inferences, which work irrespective of the specific randomization methods used. The robustness and improved efficiency of the proposed estimators are demonstrated through numerical studies.