Exact and Conservative Inference for the Average Treatment Effect in Stratified Experiments with Binary Outcomes
二元结果分层实验中平均处理效应的精确与保守推断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：摘要直接研究分层随机实验中平均处理效应的有限样本推断。
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…
二元结果分层实验中平均处理效应的精确与保守推断
- 研究问题
- 如何在二元结果的分层随机实验中构造有限样本有效的平均处理效应置信区间，并权衡统计效率与计算负担？
- 方法与思路
- 作者比较三种方法：分层均值的Bonferroni区间组合、总体效应置换检验反演，以及各层效应置换检验的组合。
- 材料陈述的贡献
- 摘要称三种方法均有效；模拟中总体检验反演的统计效率最高但计算最重，并给出平衡与非平衡分层下的计算负担改进。
- 阅读关注点
- 应核对各方法的随机化依据、如何遍历与给定效应相容的配置，以及计算改进的条件和区间保守性随分层规模的变化。
- 阅读边界
- 这是arXiv预印本，不能据此声称已同行评审或期刊接收。摘要的效率比较限于所述模拟，未提供覆盖率或区间长度等数值结果。
原文摘要
We extend methods for finite-sample inference about the average treatment effect (ATE) in randomized experiments with binary outcomes to accommodate stratification (blocking). We present three valid methods that differ in their computational and statistical efficiency. The first method constructs conservative, Bonferroni-adjusted confidence intervals separately for the mean response in the treatment and control groups in each stratum, then takes appropriate weighted differences of their endpoints to find a confidence interval for the ATE. The second method inverts permutation tests for the overall ATE, maximizing the $P$-value over all ways a given ATE can be attained. The third method applies permutation tests for the ATE in separate strata, then combines those tests to form a confidence interval for the overall ATE. We compare the statistical and computational performance of the methods using simulations and a case study. The second approach is most efficient statistically in the simulations, but a naive implementation requires O(Π_{k=1}^{K} n_{k}^{4}) permutation tests, the highest computational burden among the three methods. That computational burden can be reduced to O(\sum_{k=1}^K n_k \timesΠ_{k=1}^{K} n_{k}^{2}) if all strata are balanced and to O(Π_{k=1}^{K} n_{k}^{3}) otherwise.