Design-Based RCT Estimators and Central Limit Theorems for Baseline Subgroup and Related Analyses
基线子组及相关分析的设计型随机试验估计量与中心极限定理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：摘要明确研究随机对照试验中基线子组的平均处理效应及基于实验设计的推断。
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
基线子组及相关分析的设计型随机试验估计量与中心极限定理
- 研究问题
- 如何基于随机分配设计，对处理前变量定义的离散子组估计平均处理效应，并处理随机组样本量带来的推断问题？
- 方法与思路
- 作者研究含协变量回归调整的子组比率估计量，证明有限总体中心极限定理，构造方差估计，并讨论分块与聚类设计等扩展。
- 材料陈述的贡献
- 摘要称，方法将设计型效应推断扩展到基线子组及相关随机权重估计，模拟中即使小子组的区间覆盖也接近名义水平。
- 阅读关注点
- 应核对子组定义是否完全处理前确定、有限总体渐近序列、比率估计的随机分母，以及聚类和非响应扩展的额外要求。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已获同行评审或接收。摘要未说明中心极限定理条件，小子组模拟表现不是任意小样本保证。
原文摘要
There is a growing literature on design-based methods to estimate average treatment effects (ATEs) for randomized controlled trials (RCTs) for full sample analyses. This article extends these methods to estimate ATEs for discrete subgroups defined by pre-treatment variables, with an application to an RCT testing subgroup effects for a school voucher experiment in New York City. We consider ratio estimators for subgroup effects using regression methods, allowing for model covariates to improve precision, and prove a finite population central limit theorem. We discuss extensions to blocked and clustered RCT designs, and to other common estimators with random treatment-control sample sizes (or weights): post-stratification estimators, weighted estimators that adjust for data nonresponse, and estimators for Bernoulli trials. We also develop simple variance estimators that share features with robust estimators. Simulations show that the design-based subgroup estimators yield confidence interval coverage near nominal levels, even for small subgroups.