Modeling Covariate Transition for Efficient Estimation of Longitudinal Treatment Effects in Randomized Experiments
通过协变量转移建模高效估计随机实验中的纵向治疗效应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：摘要直接研究随机实验中的纵向治疗效应、回归调整及因果效应估计效率。
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…
通过协变量转移建模高效估计随机实验中的纵向治疗效应
- 研究问题
- 随机实验采用静态治疗方案时，如何估计效应何时出现、持续多久，并利用随时间演化的结果和协变量提高估计效率？
- 方法与思路
- 作者提出回归调整框架，用转移核表示中间结果与治疗后协变量的动态轨迹，并建立估计量的渐近正态性及半参数效率界。
- 材料陈述的贡献
- 摘要将随机实验的回归调整拓展到纵向效应轨迹，并以模拟和日本流媒体平台的 A/B 测试展示方法的实际优势。
- 阅读关注点
- 应核对静态方案下的目标效应、治疗后协变量进入调整的方式，以及转移核估计条件和估计量是否达到所推导的效率界。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出具体效率增益、转移模型要求或错设后果，不能推断普遍有效。
原文摘要
We present a regression-adjustment framework designed for the estimation of longitudinal treatment effects in randomized experiments under static regimes. While regression-adjustment methods are useful for variance reduction in randomized experiments by using pre-treatment covariates, they usually focus only on average effects, from which we cannot obtain valuable insights into when the effects appear and how long they continue. To address this issue, we consider intermediate outcomes and evolving post-treatment covariates over time, and we represent such dynamic trajectories using transition kernels. Furthermore, we establish the asymptotic normality and the semiparametric efficiency bound for our estimator, enabling more powerful statistical inference. Simulation studies and empirical analysis using A/B test data from a streaming platform in Japan show the practical advantages of our method.