Design-Based Inference under Random Potential Outcomes
随机潜在结果下的基于设计的推断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、潜在结果、机制层面的因果目标及基于设计的估计和方差推断。
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
随机潜在结果下的基于设计的推断
- 研究问题
- 目标因果效应对潜在随机环境取期望时，只有一次随机实验的实现，能否一致恢复该目标并估计其方差？
- 方法与思路
- 作者用稀疏局部依赖建立类似遍历性的性质，使横截面平均恢复潜在机制期望，并分析聚合设计估计量的渐近分布。
- 材料陈述的贡献
- 摘要称，在该结构下估计量一致且渐近正态，方差可由单次实验一致估计，区别于固定潜在结果框架的保守界。
- 阅读关注点
- 应核对随机机制目标与有限总体目标的区别、局部依赖的稀疏程度，以及渐近正态和方差一致估计的条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出依赖条件，随机化或识别本身不足以保证机制期望可恢复。
原文摘要
We study whether mechanism-level causal estimands, defined as expectations over latent stochastic environments, can be consistently recovered from a single realised randomised experiment. Identification alone does not guarantee recoverability. The target estimand averages over latent environments, whereas a single experiment provides only one realisation of such an environment. We show that suitably sparse local dependence induces an ergodic-type property under which cross-sectional averaging consistently recovers expectations over the latent outcome-generating mechanism. Under this structure, aggregate design-based estimators are consistent and asymptotically normal, and the variance becomes consistently estimable from a single experiment. Unlike classical finite-population inference, where Neyman-type variance estimators are structurally limited to conservative upper bounds, the proposed framework permits consistent variance estimation through the shift from fixed potential outcome schedules to stochastic mechanisms.