Model-Assisted Complier Average Treatment Effect Estimates in Randomized Experiments with Noncompliance
不依从随机实验中依从者平均处理效应的模型辅助估计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不依从、依从者平均处理效应及随机化推断。
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
不依从随机实验中依从者平均处理效应的模型辅助估计
- 研究问题
- 在存在不依从且结果为二元变量的随机实验中，如何利用模型辅助方法提高依从者平均处理效应的估计效率并提供有效推断？
- 方法与思路
- 作者提出三种模型辅助估计量，以随机化为推断基础，允许工作模型误设，并构造 Neyman 型保守方差估计及乘法效应扩展。
- 材料陈述的贡献
- 摘要称建立渐近性质、比较与 Wald 估计量的效率，并将方法扩展至乘法依从者效应，通过模拟和学业服务或激励实验展示应用。
- 阅读关注点
- 应核对依从者效应的识别假设、三种调整方式的差异，以及工作模型误设下的效率结论、保守方差和乘法效应的定义。
- 阅读边界
- 仅依据所给 OpenAlex 版本摘要；识别假设及效率改进条件未说明，允许工作模型误设不代表无需识别假设，也不能推断刊本变化。
原文摘要
Noncompliance is a common problem in randomized experiments in various fields. Under certain assumptions, the complier average treatment effect is identifiable and equal to the ratio of the intention-to-treat effects of the potential outcomes to that of the treatment received. To improve the estimation efficiency, we propose three model-assisted estimators for the complier average treatment effect in randomized experiments with a binary outcome. We study their asymptotic properties, compare their efficiencies with that of the Wald estimator, and propose the Neyman-type conservative variance estimators to facilitate valid inferences. Moreover, we extend our methods and theory to estimate the multiplicative complier average treatment effect. Our analysis is randomization-based, allowing the working models to be misspecified. Finally, we conduct simulation studies to illustrate the advantages of the model-assisted methods and apply these analysis methods in a randomized experiment to evaluate the effect of academic services or incentives on academic performance.