Randomization-based Z-estimation for evaluating average and individual treatment effects
用于评估平均与个体处理效应的随机化型 Z 估计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。
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：摘要明确以随机实验中的平均与个体处理效应为对象，研究随机化推断和模型误设问题。
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
用于评估平均与个体处理效应的随机化型 Z 估计
- 研究问题
- 在完全随机实验中，如何以随机分配为推断基础评估模型分析，并处理平均和个体处理效应分析中的模型误设？
- 方法与思路
- 作者推导随机化框架下 Z 估计的渐近理论和保守夹心协方差估计，比较三类平均效应策略并讨论个体效应建模。
- 材料陈述的贡献
- 摘要称，模型辅助方法对任意模型误设保持平均效应估计一致性，并提出优化方案及个体效应模型的识别讨论。
- 阅读关注点
- 应核对随机化渐近条件、保守方差的来源、模型辅助优化的含义，以及个体效应建模中究竟哪些对象可以识别。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实；摘要未列出渐近条件，不能据此认定每个个体效应均可识别。
原文摘要
Randomized experiments have been the gold standard for drawing causal inference. The conventional model-based approach has been one of the most popular ways for analyzing treatment effects from randomized experiments, which is often carried through inference for certain model parameters. In this paper, we provide a systematic investigation of model-based analyses for treatment effects under the randomization-based inference framework. This framework does not impose any distributional assumptions on the outcomes, covariates and their dependence, and utilizes only randomization as the "reasoned basis". We first derive the asymptotic theory for Z-estimation in completely randomized experiments, and propose sandwich-type conservative covariance estimation. We then apply the developed theory to analyze both average and individual treatment effects in randomized experiments. For the average treatment effect, we consider three estimation strategies: model-based, model-imputed, and model-assisted, where the first two can be sensitive to model misspecification or require specific ways for parameter estimation. The model-assisted approach is robust to arbitrary model misspecification and always provides consistent average treatment effect estimation. We propose optimal ways to conduct model-assisted estimation using generally nonlinear least squares for parameter estimation. For the individual treatment effects, we propose to directly model the relationship between individual effects and covariates, and discuss the model's identifiability, inference and interpretation allowing model misspecification.