Design-based theory for Lasso adjustment in randomized block experiments and rerandomized experiments
随机区组与再随机化实验中 Lasso 调整的设计型理论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：摘要研究随机实验中平均处理效应的回归调整、效率和设计型推断。
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…
关注这篇论文的作者
随机区组与再随机化实验中 Lasso 调整的设计型理论
- 研究问题
- 高维协变量下，如何通过 Lasso 回归调整提高随机区组及再随机化实验的平均处理效应估计效率，并维持有效统计推断？
- 方法与思路
- 作者基于随机化设计推导 Lasso 调整估计量的渐近性质和保守方差估计，并将框架扩展至再随机化及其与区组设计的组合。
- 材料陈述的贡献
- 摘要称，框架涵盖配对和精细分层实验，允许区组间处理概率与效应异质性，并给出较未调整估计更有效率的条件。
- 阅读关注点
- 应核对高维与渐近条件、Lasso 调参和调整形式、效率改进的具体限制，以及保守方差在不同区组规模与再随机化下的适用性。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未列出效率提升的具体条件，也未提供模拟和两个实际应用的数值结果。
原文摘要
Blocking, a special case of rerandomization, is routinely implemented in the design stage of randomized experiments to balance the baseline covariates. This study proposes a regression adjustment method based on the least absolute shrinkage and selection operator (Lasso) to efficiently estimate the average treatment effect in randomized block experiments with high-dimensional covariates. We derive the asymptotic properties of the proposed estimator and outline the conditions under which this estimator is more efficient than the unadjusted one. We provide a conservative variance estimator to facilitate valid inferences. Our framework allows one treated or control unit in some blocks and heterogeneous propensity scores across blocks, thus including paired experiments and finely stratified experiments as special cases. We further accommodate rerandomized experiments and a combination of blocking and rerandomization. Moreover, our analysis allows both the number of blocks and block sizes to tend to infinity, as well as heterogeneous treatment effects across blocks without assuming a true outcome data-generating model. Simulation studies and two real-data analyses demonstrate the advantages of the proposed method.