Adjustments with many regressors under covariate-adaptive randomizations
协变量自适应随机化下多回归量的调整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：摘要直接研究随机化实验中的平均处理效应、回归调整及 Wald 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…
协变量自适应随机化下多回归量的调整
- 研究问题
- 协变量自适应随机化实验中，当回归量数量与样本量同阶时，回归调整的信息收益与估计误差如何共同影响处理效应估计和检验？
- 方法与思路
- 作者分析回归调整误差不可忽略的情形，通过最优线性组合有调整与无调整的估计量构造平均处理效应估计，并建立统一推断理论。
- 材料陈述的贡献
- 摘要称，新估计量的 Wald 检验在所述协变量维度范围内具有正确渐近尺寸，且相对有调整和无调整估计量均保证弱效率改善。
- 阅读关注点
- 应核对允许的随机化设计、协变量维度与样本量比例条件、组合权重估计，以及渐近尺寸和弱效率改善结论分别需要的假设。
- 阅读边界
- 仅依据所给 RePEc 出版社摘要；设计条件、回归设定和方差估计细节未说明，不能认定有限样本中必然改善效率或推断版本变化。
原文摘要
Our paper discovers a new trade-off of using regression adjustments (RAs) in causal inference under covariate-adaptive randomizations (CARs). On one hand, RAs can improve the efficiency of causal estimators by incorporating information from covariates that are not used in the randomization. On the other hand, RAs can degrade estimation efficiency due to their estimation errors, which are not asymptotically negligible when the number of regressors is of the same order as the sample size. Ignoring the estimation errors of RAs may result in serious over-rejection of causal inference under the null hypothesis. To address the issue, we construct a new ATE estimator by optimally linearly combining the estimators with and without RAs. We then develop a unified inference theory for this estimator under CARs. It has two features: (1) the Wald test based on it achieves the exact asymptotic size under the null hypothesis, regardless of whether the number of covariates is fixed or diverges no faster than the sample size; and (2) it guarantees weak efficiency improvement over estimators both with and without RAs.