Calibrated Horizon-Weighted Local Projection Designs for Markov Switchbacks
马尔可夫交替实验中经校准的期限加权局部投影设计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：摘要直接研究随机交替实验的时间分配设计，以动态局部投影效应为报告目标，对应因果推断与局部投影方法。
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
马尔可夫交替实验中经校准的期限加权局部投影设计
- 研究问题
- 当交替实验需要报告动态局部投影效应时，如何依据预先指定的估计量与期限权重，选择可行的处理持续性以降低报告风险？
- 方法与思路
- 作者在一阶马尔可夫设计类中选择持续性，先推导平衡同方差基准公式，再用试点校准、序列相关或随机化风险替换基准。
- 材料陈述的贡献
- 摘要称，方法把局部投影报告权重映射为设计建议，并通过伦敦用电半合成评价说明何时需要校准及采用随机化优先推断。
- 阅读关注点
- 应核对报告权重和风险函数如何预先固定、可行持续性约束、试点校准过程，以及边界设计中正态近似失效的判据。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未给出公式和适用条件，半合成评价不等于真实政策效果验证。
原文摘要
We study temporal assignment design for Markov switchback experiments when the reported object is a dynamic local-projection target. We develop a calibrated selector that chooses the feasible persistence minimizing the covariance, HAC, residual-bootstrap, or realized-schedule risk of the estimator and reporting object specified before the experiment. A balanced homoskedastic Markov benchmark yields a closed form because the lagged-assignment information matrix is AR(1)-Toeplitz with a tridiagonal inverse. The benchmark maps local-projection reporting weights into persistence recommendations within a prespecified first-order Markov class. Field recommendations replace the benchmark covariance with residualized, serially dependent, pilot-calibrated, or randomization-based risk. A semi-synthetic Low Carbon London evaluation uses observed half-hourly baseline dynamics and known injected responses to assess design risk. It evaluates the covariance calculations under realistic load autocovariance and identifies when calibrated covariance selection should replace the homoskedastic Markov formula. Near-boundary designs use randomization-first inference when many-spell normal approximations are unsupported.