Efficient Semiparametric Estimation of Average Treatment Effects Under Covariate Adaptive Randomization
协变量自适应随机化下平均处理效应的半参数有效估计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：摘要研究随机实验中平均处理效应的效率界及协变量调整，直接属于实验因果推断。
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…
关注这篇论文的作者
协变量自适应随机化下平均处理效应的半参数有效估计
- 研究问题
- 研究按基线协变量分层并追求层内处理分配平衡的实验中，平均处理效应的半参数效率界如何确定，以及如何构造达到该界的估计量。
- 方法与思路
- 作者对一类二元处理的协变量自适应随机化程序推导效率界，将层特定目标分配比例作为倾向得分，并用交叉拟合核回归作调整。
- 材料陈述的贡献
- 摘要称，效率界可表示为基于全部基线协变量的既有界的特例，且交叉拟合 Nadaraya-Watson 调整在推导该界的同类条件下可达界。
- 阅读关注点
- 应核对随机化程序类别、分配依赖结构、全部协变量与分层变量的区别，以及交叉拟合、核带宽和维度所需条件。
- 阅读边界
- 所据版本为 arXiv 预印本，同行评审与期刊接收未核实；摘要未列出效率界公式或正则条件，也未报告有限样本效果。
原文摘要
Experiments that use covariate adaptive randomization (CAR) are commonplace in applied economics and other fields. In such experiments, the experimenter first stratifies the sample according to observed baseline covariates and then assigns treatment randomly within these strata so as to achieve balance according to pre-specified stratum-specific target assignment proportions. In this paper, we compute the semiparametric efficiency bound for estimating the average treatment effect (ATE) in such experiments with binary treatments allowing for the class of CAR procedures considered in Bugni, Canay, and Shaikh (2018, 2019). This is a broad class of procedures and is motivated by those used in practice. The stratum-specific target proportions play the role of the propensity score conditional on all baseline covariates (and not just the strata) in these experiments. Thus, the efficiency bound is a special case of the bound in Hahn (1998), but conditional on all baseline covariates. Additionally, this efficiency bound is shown to be achievable under the same conditions as those used to derive the bound by using a cross-fitted Nadaraya-Watson kernel estimator to form nonparametric regression adjustments.