Rerandomization for covariate balance mitigates $p$-hacking caused by strategically selecting covariates in regression adjustment
协变量平衡的再随机化如何缓解回归调整中的显著性操纵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：摘要直接研究随机实验、平均处理效应回归调整及设计阶段平衡约束，属于因果推断。
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…
协变量平衡的再随机化如何缓解回归调整中的显著性操纵
- 研究问题
- 当研究者策略性选择回归调整协变量以获得更显著的 p 值时，实验设计阶段的再随机化能否减少由此产生的错误发现？
- 方法与思路
- 作者从再随机化对处理组协变量平衡的约束出发，理论分析策略性调整选择造成的显著性操纵，并研究平衡阈值的作用。
- 材料陈述的贡献
- 摘要称再随机化可以缓解该类错误发现，足够严格的阈值可解决所研究的操纵问题，并为实际阈值选择提供理论指导。
- 阅读关注点
- 应核对允许的协变量选择策略、错误发现的定义、检验与随机化规则，以及足够严格阈值的条件和设计可实施性。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未给出阈值公式及理论条件，结论不能扩展至所有形式的显著性操纵。
原文摘要
Rerandomization enforces covariate balance across treatment groups in the design stage of experiments. Despite its intuitive appeal, its theoretical justification remains unsatisfying because its benefits of improving efficiency for estimating the average treatment effect diminish if we use regression adjustment in the analysis stage. To strengthen the theory of rerandomization, we show that it mitigates false discoveries resulting from $p$-hacking caused by strategically selecting covariates in regression adjustment to get more significant $p$-values. Moreover, we show that rerandomization with a sufficiently stringent threshold can resolve such $p$-hacking. As a byproduct, our theory offers guidance for choosing the threshold in rerandomization in practice.