Balancing Covariates in Survey Experiments
调查实验中的协变量平衡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：摘要直接研究调查实验的随机处理分配、平均处理效应及再随机化下的设计型推断。
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
调查实验中的协变量平衡
- 研究问题
- 总体调查实验同时涉及抽样与处理分配时，如何减少有限样本协变量不平衡，并提高目标总体平均处理效应的估计效率？
- 方法与思路
- 作者提出分层拒绝式抽样与再随机化设计，建立分层均值差估计的设计型渐近理论，并加入分析阶段的协变量调整。
- 材料陈述的贡献
- 摘要称估计量一致，极限分布为一个正态与两个截断正态的卷积，较所比较设计更集中；协变量调整可进一步提高效率。
- 阅读关注点
- 应核对抽样与分配的接受规则、总体目标和渐近条件、卷积分布下的区间构造，以及分析调整与设计平衡的配合。
- 阅读边界
- 这是 arXiv 预印本，评审与接收未核实；摘要未说明比较设计、接受阈值或理论条件，效率改善的适用范围需全文核对。
原文摘要
The survey experiment is widely used in economics and social sciences to evaluate the effects of treatments or programs. In a standard population-based survey experiment, the experimenter randomly draws experimental units from a target population of interest and then randomly assigns the sampled units to treatment or control conditions to explore the treatment effect of an intervention. Simple random sampling and treatment assignment can balance covariates on average. However, covariate imbalance often exists in finite samples. To address the imbalance issue, we study a stratified approach to balance covariates in a survey experiment. A stratified rejective sampling and rerandomization design is further proposed to enhance the covariate balance. We develop a design-based asymptotic theory for the widely used stratified difference-in-means estimator of the average treatment effect under the proposed design. In particular, we show that it is consistent and asymptotically a convolution of a normal distribution and two truncated normal distributions. This limiting distribution is more concentrated at the true average treatment effect than that under the existing experimental designs. Moreover, we propose a covariate adjustment method in the analysis stage, which can further improve the estimation efficiency. Numerical studies demonstrate the validity and improved efficiency of the proposed method.