Coupling Designs for Randomized Experiments with Complex Treatments
复杂处理空间随机实验的耦合设计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：摘要直接提出复杂处理空间中的随机实验设计并分析估计效率。
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
复杂处理空间随机实验的耦合设计
- 研究问题
- 当处理取值连续、多维且受约束时，如何推广分层随机化，使相似单位获得差异较大的处理，并改善处理效应估计效率？
- 方法与思路
- 作者先将相似单位匹配成组，再用蒙特卡洛耦合分散组内处理赋值，通过谱分析研究影响函数与耦合方向的对齐。
- 材料陈述的贡献
- 摘要称，效率收益与处理分散度及匹配质量的乘积相关，并以发展、行为和劳动经济学例子及储蓄监督员实验展示设计。
- 阅读关注点
- 应核对耦合如何保持目标随机化边际、效率结论的估计量条件，以及匹配质量、分散度和影响函数平滑性的定义。
- 阅读边界
- 这是预印本，不能据此认定已同行评审或期刊接收。摘要未给出完整效率条件或实施成本，不能认定任意耦合都会改善估计。
原文摘要
We describe a new family of experimental designs that extends the principle of stratified randomization to settings with continuous, constrained multivariate, and other irregular treatment spaces. Our approach is to first match units into homogeneous groups, then use Monte Carlo couplings to assign within-group treatments to be highly dispersed over the treatment space. We show that ensuring similar units receive dissimilar treatments improves estimation efficiency. The efficiency gains are proportional to the product of dispersion and match quality, where dispersion measures how spread out the assignments are relative to independent randomization. We develop a new spectral analysis showing how efficiency depends on alignment between the smoothness and shape of the estimator's influence function and the coupling's principal directions. We illustrate these designs with examples from development, behavioral, and labor economics. In particular, our empirical application uses data from a real experiment allocating savings monitors using their position within village social networks.