Cluster-Randomized Trials with Cross-Cluster Interference
存在跨簇干扰的整群随机试验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：摘要研究随机试验中的处理效应估计，并明确允许跨簇干扰及空间或社会联系，因此同时对应因果推断与网络干扰。
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
存在跨簇干扰的整群随机试验
- 研究问题
- 当试验单位跨越簇边界相互影响时，如何减少整群随机试验的估计偏差，并选择簇数以平衡干扰偏差与方差？
- 方法与思路
- 作者排除周围簇未全部分配到相同处理组的单位，分析簇规模的偏差与方差权衡，并研究 k-medoids 构簇。
- 材料陈述的贡献
- 摘要称所提估计相较常规均值差可显著减偏且方差代价较小，并给出平衡渐近偏差与方差的簇数规则及构簇保证。
- 阅读关注点
- 应核对干扰传播与衰减条件、保留单位和目标效应的关系，以及簇数选择规则、随机化设计和构簇理论的适用范围。
- 阅读边界
- 来源为版本未注明的 OpenAlex 索引摘要；减偏和方差结论的条件未提供，不能推断任意跨簇干扰下均有同样改善。
原文摘要
The literature on cluster-randomized trials typically allows for interference within but not across clusters. This may be implausible when units are irregularly distributed across space without well-separated communities, as clusters in such cases may not align with significant geographic, social, or economic divisions. This paper develops methods for reducing bias due to cross-cluster interference. We first propose an estimation strategy that excludes units not surrounded by clusters assigned to the same treatment arm. We show that this substantially reduces bias relative to conventional difference-in-means estimators without significant cost to variance. Second, we formally establish a bias-variance trade-off in the choice of clusters: constructing fewer, larger clusters reduces bias due to interference but increases variance. We provide a rule for choosing the number of clusters to balance the asymptotic orders of the bias and variance of our estimator. Finally, we consider unsupervised learning for cluster construction and provide theoretical guarantees for k-medoids.