Tyranny-of-the-Minority Regression Adjustment in Randomized Experiments
随机实验中的“少数派优先”回归调整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：摘要明确研究随机实验中平均处理效应的回归调整、设计型推断与效率。
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
随机实验中的“少数派优先”回归调整
- 研究问题
- 在组别规模不均衡的随机实验中，给予人数较少组更高权重的回归调整，如何影响平均处理效应估计的效率与稳健性？
- 方法与思路
- 作者重新分析 ToM 加权回归调整，将其推广到分层、调查和整群随机实验，并研究设计型性质及异方差稳健标准误。
- 材料陈述的贡献
- 摘要称该方法在模型误设时仍改善渐近效率，在线性调整类中最优；与交互项调整渐近等价，但具有更强的稳健性。
- 阅读关注点
- 应核对权重定义、各随机化设计的条件、稳健性的衡量方式、最优性所限定的估计量类别，以及标准误的适用建议。
- 阅读边界
- 材料采用 arXiv 2210.00261v1 预印本摘要，不能据此声称已同行评审或期刊接收；刊本变化未核验，摘要未给出比较数值。
原文摘要
Regression adjustment is widely used for the analysis of randomized experiments to improve the estimation efficiency of the treatment effect. This paper reexamines a weighted regression adjustment method termed as tyranny-of-the-minority (ToM), wherein units in the minority group are given greater weights. We demonstrate that the ToM regression adjustment is more robust than Lin 2013's regression adjustment with treatment-covariate interactions, even though these two regression adjustment methods are asymptotically equivalent in completely randomized experiments. Moreover, we extend ToM regression adjustment to stratified randomized experiments, completely randomized survey experiments, and cluster randomized experiments. We obtain design-based properties of the ToM regression-adjusted average treatment effect estimator under such designs. In particular, we show that ToM regression-adjusted estimator improves the asymptotic estimation efficiency compared to the unadjusted estimator even when the regression model is misspecified, and is optimal in the class of linearly adjusted estimators. We also study the asymptotic properties of various heteroscedasticity-robust standard error estimators and provide recommendations for practitioners. Simulation studies and real data analysis demonstrate ToM regression adjustment's superiority over existing methods.