Adaptive Experimental Design Using the Propensity Score
利用倾向得分的自适应实验设计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。
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：摘要明确以社会实验中的平均处理效应为估计目标，并通过调整条件处理分配概率改善效率，直接属于因果推断。
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…
利用倾向得分的自适应实验设计
- 研究问题
- 在具有协变量的两阶段社会实验中，如何根据第一阶段数据调整第二阶段处理分配概率，以提高平均处理效应估计的效率？
- 方法与思路
- 作者用第一阶段数据选择第二阶段随协变量变化的处理概率，即倾向得分，并以最小化平均处理效应估计的渐近方差界为设计目标。
- 材料陈述的贡献
- 摘要称提出了以渐近方差界最小化为目标的自适应实验设计，可用标准统计软件实现，并具有良好的大样本性质。
- 阅读关注点
- 核对最优倾向得分的约束、第一阶段估计如何影响第二阶段设计，以及自适应分配下平均处理效应估计与推断的条件。
- 阅读边界
- 摘要未列出大样本性质的具体命题、处理概率约束或有限样本表现；不能据此判断小样本效率收益和实际分配的稳健性。
原文摘要
Many social experiments are run in multiple waves or replicate earlier social experiments. In principle, the sampling design can be modified in later stages or replications to allow for more efficient estimation of causal effects. We consider the design of a two-stage experiment for estimating an average treatment effect when covariate information is available for experimental subjects. We use data from the first stage to choose a conditional treatment assignment rule for units in the second stage of the experiment. This amounts to choosing the propensity score, the conditional probability of treatment given covariates. We propose to select the propensity score to minimize the asymptotic variance bound for estimating the average treatment effect. Our procedure can be implemented simply using standard statistical software and has attractive large-sample properties.