Berry–Esseen bounds for design-based causal inference with possibly diverging treatment levels and varying group sizes
处理水平可能增长且组规模不等时设计型因果推断的 Berry–Esseen 界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。
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：摘要明确以潜在结果、随机化模型和实验设计为基础研究因果效应推断。
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…
处理水平可能增长且组规模不等时设计型因果推断的 Berry–Esseen 界
- 研究问题
- 随机化实验中，当处理水平与目标因果参数的数量可能增长、各处理组规模不等甚至缺少重复时，如何建立设计型推断？
- 方法与思路
- 作者将估计量写为线性置换统计量，借助 Stein 方法推导其线性与二次函数的 Berry–Esseen 界，并提出方差估计。
- 材料陈述的贡献
- 摘要称，新误差界支持处理水平和因果参数数量增长时的推断，并为可能包含大量无重复处理水平的实验提供方差估计量。
- 阅读关注点
- 应核对处理组规模与参数维数的增长条件、误差界适用的统计量，以及无重复情形下方差估计所需条件和推断性质。
- 阅读边界
- 仅依据所给 OpenAlex 摘要；具体增长率、矩条件、误差界及方差估计性质未说明，不能认定任意实验设计都满足保证。
原文摘要
Neyman (1923/1990) introduced the randomization model, which contains the notation of potential outcomes to define causal effects and a framework for large-sample inference based on the design of the experiment. However, the existing theory for this framework is far from complete, especially when the number of treatment levels diverges and the treatment group sizes vary. We provide a unified discussion of statistical inference under the randomization model with general treatment group sizes. We formulate the estimator in terms of a linear permutation statistic and use results based on Stein’s method to derive various Berry–Esseen bounds on the linear and quadratic functions of the estimator. These new Berry–Esseen bounds serve as the basis for design-based causal inference with possibly diverging treatment levels and a diverging number of causal parameters of interest. We also fill an important gap by proposing novel variance estimators for experiments with possibly many treatment levels without replications. Equipped with the newly developed results, design-based causal inference in general settings becomes more convenient with stronger theoretical guarantees.