Improving Estimation Efficiency via Regression-Adjustment in Covariate-Adaptive Randomizations with Imperfect Compliance
不完全依从的协变量自适应随机化中利用回归调整提高估计效率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：摘要明确研究随机分配、不完全依从和局部平均处理效应，并以回归调整改善其估计效率，直接对应因果推断。
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…
不完全依从的协变量自适应随机化中利用回归调整提高估计效率
- 研究问题
- 在协变量自适应随机化且受试者不完全依从分配时，如何利用协变量回归调整提高局部平均处理效应的估计效率？
- 方法与思路
- 作者基于局部平均处理效应的双重稳健矩构造调整估计量，研究线性与非线性调整，并讨论非参数和正则化调整。
- 材料陈述的贡献
- 摘要称估计量容许异质分配概率与回归误设，保持一致及渐近正态，并给出效率改进和达到半参数效率界的条件。
- 阅读关注点
- 应核对不完全依从下的识别条件、随机化机制对方差的影响、最优线性调整的定义，以及灵活调整达到效率界的要求。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核验。摘要未列出完整条件或有限样本证据，不能将误设稳健性理解为任意误设有效。
原文摘要
We investigate how to improve efficiency using regression adjustments with covariates in covariate-adaptive randomizations (CARs) with imperfect subject compliance. Our regression-adjusted estimators, which are based on the doubly robust moment for local average treatment effects, are consistent and asymptotically normal even with heterogeneous probability of assignment and misspecified regression adjustments. We propose an optimal but potentially misspecified linear adjustment and its further improvement via a nonlinear adjustment, both of which lead to more efficient estimators than the one without adjustments. We also provide conditions for nonparametric and regularized adjustments to achieve the semiparametric efficiency bound under CARs.