The Reach of Treatment Effects: Randomization Inference for Zero-Effect Regions
处理效应的覆盖范围：零效应区域的随机化推断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：摘要核心是处理效应异质性与随机化推断、零效应区域的置信界，直接属于微观计量中的因果推断方向。
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…
处理效应的覆盖范围：零效应区域的随机化推断
- 研究问题
- 摘要称，研究问题是：处理可能只影响部分个体，如何衡量未受影响协变量区域的最大可能规模，即处理效应在协变量取值上的覆盖范围有多广。
- 方法与思路
- 作者提出在最近邻区域上进行高效的局部随机化检验，据此构造零效应区域规模上界的有限样本有效置信界；并在一般结果模型下刻画该界与受影响单位数、效应大小及真实零效应集几何形状的关系。
- 材料陈述的贡献
- 摘要称，方法给出零效应区域规模的上置信界，小界值可作为处理效应广泛存在的证据；作者刻画了界的决定因素，并证明以样本比例度量区域规模时，上界超出真实规模的部分以极小极大最优速率（至多差一个对数因子）趋于零。
- 阅读关注点
- 阅读全文时应核对：局部随机化检验的具体构造与有限样本有效性条件、最近邻区域的定义与调参、极小极大下界与上界匹配的证明细节，以及模拟中覆盖率和功效的实际表现。
- 阅读边界
- 仅凭摘要无法判断检验假设是否合理、数值结果是否可复现，也无法核实三个应用数据的处理方式；摘要未说明识别假设的完整清单与置信界的实际宽度。该文为 arXiv 预印本，未经同行评审验证。
原文摘要
A treatment may affect some individuals while leaving others unaffected. We study the reach of treatment effects by asking how large an unaffected covariate region could be. We develop efficient local randomization tests over nearest-neighbour regions to construct a finite-sample valid upper confidence bound for the size of the largest zero-effect region. A small bound provides evidence that treatment effects extend broadly across covariate values by ruling out large zero-effect regions. Under a general outcome model, we characterize how the size of the bound depends on the number of affected units, the size of their treatment effects, and the geometry of the true zero-effect set. We show that, when region size is measured as a sample fraction, the excess of the upper confidence bound over the true size decreases to zero at a minimax optimal rate up to a logarithmic factor. Numerical simulations assess the coverage, power and computational efficiency of our method. Applications to voter-turnout, HIV clinical-trial, and AI-assisted writing data illustrate how our method rules out large zero-effect regions across the covariates of interest.