Using Standard Tools From Finite Population Sampling to Improve Causal Inference for Complex Experiments
运用有限总体抽样工具改进复杂实验的因果推断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。
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：摘要明确以潜在结果和随机处理分配研究实验中的因果效应与推断。
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…
运用有限总体抽样工具改进复杂实验的因果推断
- 研究问题
- 在有限总体随机实验中，面对多处理、随机化限制和不等重复次数，如何估计处理对比及其抽样方差并评价偏差？
- 方法与思路
- 作者将潜在结果框架与有限总体调查抽样结合，采用 Neyman 重复抽样推断，研究一般分配机制及方差估计条件。
- 材料陈述的贡献
- 摘要称给出弱于严格处理效应可加性的方差无偏估计条件，并以极小极大偏差解释保守方差估计，框架可扩展至析因处理。
- 阅读关注点
- 应核对处理对比估计量、分配机制与新条件的具体形式，以及条件失效时的偏差准则和保守方差估计的适用范围。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要，不能推断刊本变化；摘要未列出新条件，不能据此保证任意复杂实验均可无偏估计方差。
原文摘要
This article considers causal inference for treatment contrasts from a randomized experiment using potential outcomes in a finite population setting. Adopting a Neymanian repeated sampling approach that integrates such causal inference with finite population survey sampling, an inferential framework is developed for general mechanisms of assigning experimental units to multiple treatments. This framework extends classical methods by allowing the possibility of randomization restrictions and unequal replications. Novel conditions that are “milder” than strict additivity of treatment effects, yet permit unbiased estimation of the finite population sampling variance of any treatment contrast estimator, are derived. The consequences of departures from such conditions are also studied under the criterion of minimax bias, and a new justification for using the Neymanian conservative sampling variance estimator in experiments is provided. The proposed approach can readily be extended to the case of treatments with a general factorial structure.