Integer Programming for Generalized Causal Bootstrap Designs
广义因果自助法设计的整数规划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：摘要直接研究实验因果推断中的处理分配、异质性效应和设计不确定性，整数规划用于构造因果效应置信区间。
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…
广义因果自助法设计的整数规划
- 研究问题
- 在小规模固定样本和异质性处理效应下，如何将因果自助法扩展到非标准分配机制及估计量，以反映设计不确定性？
- 方法与思路
- 作者提出整数规划，数值计算因果自助法所需的最坏情形 copula，并扩展至多类分配机制及关于处理的一次、二次估计量。
- 材料陈述的贡献
- 摘要称证明了所列分配机制下方法的渐近有效性，拓展了传统完全随机设计和均值差估计的适用范围，并展示小型地理实验模拟。
- 阅读关注点
- 应核对最坏情形 copula 的约束、各分配机制的定义，以及整数规划的计算负担和渐近保证在小样本中的表现。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明有效性的具体条件，渐近有效不等于小样本精确覆盖。
原文摘要
In experimental causal inference, we distinguish between two sources of uncertainty: design uncertainty, due to the treatment assignment mechanism, and sampling uncertainty, when the sample is drawn from a super-population. This distinction matters in settings with small fixed samples and heterogeneous treatment effects, as in geographical experiments. The standard bootstrap procedure most often used by practitioners primarily estimates sampling uncertainty, and the causal bootstrap procedure, which accounts for design uncertainty, was developed for the completely randomized design and the difference-in-means estimator, whereas non-standard designs and estimators are often used in these low-power regimes. We address this gap by proposing an integer program which computes numerically the worst-case copula used as an input to the causal bootstrap method, in a wide range of settings. Specifically, we prove the asymptotic validity of our approach for unconfounded, conditionally unconfounded, and and individualistic with bounded confoundedness assignments, as well as generalizing to any linear-in-treatment and quadratic-in-treatment estimators. We demonstrate the refined confidence intervals achieved through simulations of small geographical experiments.