Gaussianized Design Optimization for Covariate Balance in Randomized Experiments
随机实验协变量平衡的高斯化设计优化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：摘要明确研究随机实验处理分配、协变量平衡及处理效应的设计型推断。
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…
随机实验协变量平衡的高斯化设计优化
- 研究问题
- 如何将随机实验中的处理分配转化为可连续优化的问题，以提高不同处理设计和协变量类型下的平衡程度与估计精度？
- 方法与思路
- 作者将处理分配表示为多元高斯变量的变换，在协方差矩阵上优化平衡，并改造 Burer–Monteiro 方法构造局部算法。
- 材料陈述的贡献
- 摘要称，框架提高了设计灵活性，提出一阶优化算法和基于设计的置信区间，并扩展至连续处理，模拟展示其效果。
- 阅读关注点
- 应核对高斯变换如何保证有效随机化、平衡目标和协方差约束，以及局部优化性质与置信区间的覆盖条件。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定同行评审或期刊接收；摘要未给出全局最优保证，也未说明推断条件及覆盖率结果。
原文摘要
Achieving covariate balance in randomized experiments enhances the precision of treatment effect estimation. However, existing methods often require heuristic adjustments based on domain knowledge and are primarily developed for binary treatments. This paper presents Gaussianized Design Optimization, a novel framework for optimally balancing covariates in experimental design. The core idea is to Gaussianize the treatment assignments: we model treatments as transformations of random variables drawn from a multivariate Gaussian distribution, converting the design problem into a nonlinear continuous optimization over Gaussian covariance matrices. Compared to existing methods, our approach offers significant flexibility in optimizing covariate balance across a diverse range of designs and covariate types. Adapting the Burer-Monteiro approach for solving semidefinite programs, we introduce first-order local algorithms for optimizing covariate balance, improving upon several widely used designs. Furthermore, we develop inferential procedures for constructing design-based confidence intervals under Gaussianization and extend the framework to accommodate continuous treatments. Simulations demonstrate the effectiveness of Gaussianization in multiple practical scenarios.