Inference under covariate-adaptive randomization with imperfect compliance
协变量自适应随机化与不完全依从下的推断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：摘要明确研究随机试验、不完全依从与局部平均处理效应的统计推断。
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
协变量自适应随机化与不完全依从下的推断
- 研究问题
- 当随机试验按基线协变量分层并在层内平衡分配，但参与者可内生决定是否接受二元处理时，如何对服从分配者的局部平均处理效应推断？
- 方法与思路
- 作者在协变量自适应随机化框架中同时允许不完全依从，区分处理分配与参与者实际处理选择，研究局部平均处理效应的推断问题。
- 材料陈述的贡献
- 摘要明确将允许参与者内生依从决策纳入分层平衡随机试验的分析范围；所给摘要未进一步说明估计量形式或具体有效性结论。
- 阅读关注点
- 应核对服从分配者的定义、局部平均处理效应的识别条件、随机化方案覆盖范围，以及层内平衡和不依从如何进入方差与检验。
- 阅读边界
- 所给 RePEc 出版社摘要未提供估计公式、渐近结果或模拟证据；随机分配本身不足以判断目标效应如何识别，也不能推断其他版本变化。
原文摘要
This paper studies inference in a randomized controlled trial (RCT) with covariate-adaptive randomization (CAR) and imperfect compliance of a binary treatment. In this context, we study inference on the local average treatment effect (LATE), i.e., the average treatment effect conditional on individuals that always comply with the assigned treatment. As in Bugni et al. (2018, 2019), CAR refers to randomization schemes that first stratify according to baseline covariates and then assign treatment status so as to achieve “balance” within each stratum. In contrast to these papers, however, we allow participants of the RCT to endogenously decide to comply or not with the assigned treatment status.