Sharp Minimax Theory for Randomized Experiments
随机实验的锐极小极大理论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：摘要直接研究随机实验设计及有限总体样本平均处理效应的最优估计。
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…
随机实验的锐极小极大理论
- 研究问题
- 在有限总体随机实验中，同时不限制设计和估计量时，如何最优估计样本平均处理效应，标准随机化与均值差在哪个阶数上最优？
- 方法与思路
- 作者将二元潜在结果下的极小极大风险约化为两个未知参数的估计问题，据此推导二阶风险展开，并研究随机化设计与非线性收缩估计。
- 材料陈述的贡献
- 摘要称最优风险由 Bernoulli 随机化结合非线性收缩估计达到；完全随机化结合均值差仅具有一阶最优性，并讨论可容许性。
- 阅读关注点
- 应核对风险函数和设计空间、两参数约化的等价性、二阶展开及 Airy 常数的来源，以及收缩估计的实施和可容许性结论范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；锐风险结果针对二元潜在结果，摘要未说明一般结果变量或实际样本下的改善幅度。
原文摘要
We study minimax-optimal designs and estimators for estimating the sample average treatment effect in finite population randomized experiments, where both design and estimator are unrestricted. For binary potential outcomes, we show this minimax risk is equivalent to the minimax risk $ρ_n^*$ of an estimation problem with $2$ unknown parameters. We leverage this reduction to establish a second-order risk expansion $ρ_n^* = n^{-1} - Cn^{-4/3} + o_n(n^{-4/3})$ for an explicit constant $C$ related to the Airy function. The minimax risk is attained by Bernoulli randomization with a nonlinear shrinkage estimator. Our results show that standard procedures such as complete randomization with difference in means are only minimax optimal up to first order in $n.$ We derive further results on admissibility of these procedures and discuss the practical implications of our results.