Regression adjustment in completely randomized experiments with a diverging number of covariates
协变量数量增长时完全随机实验中的回归调整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：摘要直接研究随机实验中的平均处理效应、潜在结果及协变量调整。
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…
协变量数量增长时完全随机实验中的回归调整
- 研究问题
- 在完全随机处理与对照实验中，协变量数量随样本增长时，回归调整如何保持平均处理效应估计与推断的有效性？
- 方法与思路
- 作者在潜在结果框架下分析回归调整，提出偏差修正估计量，并建立不放回抽样的向量和矩阵集中不等式。
- 材料陈述的贡献
- 摘要称偏差修正估计量在更弱条件下具有一致性和渐近正态性，理论依赖随机化而无需参数化结果模型。
- 阅读关注点
- 应核对协变量维数允许的增长速度、偏差修正形式、有限总体条件，以及标准误估计与置信区间的构造。
- 阅读边界
- 仅据所给 Crossref 版本摘要，无法确定“更弱条件”的具体内容；无需正确结果模型并不意味着无需其他正则条件。
原文摘要
Summary Randomized experiments have become important tools in empirical research. In a completely randomized treatment-control experiment, the simple difference in means of the outcome is un- biased for the average treatment effect, and covariate adjustment can further improve the efficiency without assuming a correctly specified outcome model. In modern applications, experimenters often have access to many covariates, motivating the need for a theory of covariate adjustment under the asymptotic regime with a diverging number of covariates. We study the asymptotic properties of covariate adjustment under the potential outcomes model and propose a bias-corrected estimator that is consistent and asymptotically normal under weaker conditions. Our theory is based purely on randomization without imposing any parametric outcome model assumptions. To prove the theoretical results, we develop novel vector and matrix concentration inequalities for sampling without replacement.