Rerandomization under Interference
存在干扰时的再随机化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：摘要直接研究随机实验中的处理效应，以及个体间干扰和邻居处理分配。
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
存在干扰时的再随机化
- 研究问题
- 当个体结果受其他人的处理分配影响时，如何利用协变量改善预期平均处理效应的估计精度，并保留不损害性能的性质？
- 方法与思路
- 作者以 Hájek 估计量为对象，在设计阶段限制协变量失衡较小的分配，允许协变量随分配变化，并利用依赖图构造保守方差估计。
- 材料陈述的贡献
- 摘要称，在温和的个体间依赖条件下，再随机化相对无限制伯努利随机化可渐近提高精度，并提供基于优化的保守推断方法。
- 阅读关注点
- 应核对预期平均处理效应的定义、依赖条件与不损害性质的具体范围，以及分配相关协变量和保守依赖图如何进入设计与推断。
- 阅读边界
- 所据为 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未说明依赖条件细节，也未保证任意干扰下的有限样本改进。
原文摘要
Covariates are widely used in randomized experiments to improve precision. However, in the presence of interference, where outcomes may depend on the treatment assignments of other units, standard covariate adjustment methods may fail to preserve desirable properties such as the no-harm property, meaning that incorporating covariates does not worsen estimator performance. Existing approaches that incorporate covariates under interference typically rely on specifying a particular interference structure, and their guarantees can be sensitive to misspecification. In this paper, we study how to incorporate covariate information in a way that preserves the no-harm property while remaining largely agnostic to the underlying interference structure. We focus on the estimation of the expected average treatment effect (EATE) using the Hájek estimator and study rerandomization under interference, a design-stage procedure that restricts the assignment space to allocations with sufficiently small covariate imbalance. Our framework also allows the covariates used for rerandomization to depend on the treatment assignment itself, such as the proportion of treated neighbors, which naturally arises in settings with interference. We show that, even under interference, rerandomization can improve estimation precision asymptotically relative to unrestricted Bernoulli randomization, relying only on mild conditions on the dependence structure across units. When a conservative dependence graph is available, we further develop an optimization-based conservative variance estimator for inference under rerandomization.