Randomization Inference for Treatment Effect Variation
处理效应变异的随机化推断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。
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：摘要以随机化评估中的处理效应异质性检验为核心，并明确讨论平均处理效应，因此归入因果推断。
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…
关注这篇论文的作者
处理效应变异的随机化推断
- 研究问题
- 随机化评估中，如何检验存在无法由观测协变量解释的处理效应差异，并处理此时作为干扰参数的平均处理效应？
- 方法与思路
- 作者提出不依赖结果模型的随机化检验，比较处理平均效应干扰参数的方案，并扩展到检验给定模型之外的异质性。
- 材料陈述的贡献
- 摘要称推荐方法在存在干扰参数时保证有限样本检验有效，并在Head Start随机评估中发现显著的未解释处理效应变异。
- 阅读关注点
- 应核对异质性零假设的精确定义、干扰参数的处理方式及有效性保证，并检查给定模型扩展和应用结果的解释范围。
- 阅读边界
- 仅据所给Crossref摘要，检验构造、功效和应用数值未说明；显著未解释变异并不提供个体效应识别或差异机制的证据。
原文摘要
Summary Applied researchers are increasingly interested in whether and how treatment effects vary in randomized evaluations, especially variation that is not explained by observed covariates. We propose a model-free approach for testing for the presence of such unexplained variation. To use this randomization-based approach, we must address the fact that the average treatment effect, which is generally the object of interest in randomized experiments, actually acts as a nuisance parameter in this setting. We explore potential solutions and advocate for a method that guarantees valid tests in finite samples despite this nuisance. We also show how this method readily extends to testing for heterogeneity beyond a given model, which can be useful for assessing the sufficiency of a given scientific theory. We finally apply our method to the National Head Start impact study, which is a large-scale randomized evaluation of a Federal preschool programme, finding that there is indeed significant unexplained treatment effect variation.