Randomized Experiments with Ambiguous Record Linkage
记录链接存在歧义时的随机实验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：摘要围绕随机实验的处理效应估计、无偏性与随机化推断展开，属于因果推断方向。
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
记录链接存在歧义时的随机实验
- 研究问题
- 当随机实验单元与行政记录之间因标识粗糙而存在多重可能匹配时，能否在不解决歧义链接、也不设定结果模型的前提下无偏估计样本平均处理效应。
- 方法与思路
- 作者提出一种链接要求：每个实验单元的真实行政结果须包含在其候选结果集合中；在此条件下构造无偏估计，并刻画链接歧义带来的精度损失，研究回归调整与基于可观测链接特征的再加权两种缓解方式，给出有限样本与渐近性质及基于随机化的有效推断。
- 材料陈述的贡献
- 摘要称，在仅要求真实结果落在候选集合内的弱链接条件下即可实现样本平均处理效应的无偏估计，无需消解歧义链接或指定结果模型；并刻画歧义导致的精度代价，提出并推导两种缓解估计量的有限样本与渐近性质及相应推断方法。
- 阅读关注点
- 应核对链接要求的具体表述与可验证性、候选集合如何构造、无偏性的识别论证、精度代价的刻画形式、回归调整与再加权的实施细节，以及随机化推断与大规模推断的适用条件。
- 阅读边界
- 仅依据摘要，无法判断证明细节、模拟或实证表现、候选集合构造的实际可行性；该文为 arXiv 预印本，未经同行评审或期刊接收验证。
原文摘要
Randomized experiments are often linked to administrative data to measure outcomes, but coarse identifiers can leave multiple administrative records consistent with each experimental unit. We show that unbiased estimation of the sample average treatment effect is possible without resolving these ambiguous links or specifying an outcome model. Our key linkage requirement is that the true administrative outcome is contained among the candidate outcomes for each experimental unit. We characterize the precision cost of linkage ambiguity and study two complementary ways to mitigate it: regression adjustment and reweighting based on observed linkage characteristics. We establish finite-sample and asymptotic properties of these estimators and develop valid randomization-based and large-sample inference.