Regression Adjustments for Double Randomization in Two-Sided Marketplaces
双边市场双重随机化实验的回归调整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。
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：摘要明确讨论双边市场实验中的干扰，以及总效应、直接效应和溢出效应估计。
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…
双边市场双重随机化实验的回归调整
- 研究问题
- 在存在交易双方干扰的市场实验中，如何通过回归调整提高总效应、溢出效应与直接效应估计的效率并支持有效推断？
- 方法与思路
- 作者在多重随机化设计下研究线性调整估计器，推导可由数据估计的最小渐近方差调整，并建立稳健性及中心极限定理。
- 材料陈述的贡献
- 摘要称最优调整通常不同于传统随机实验；其中直接效应的一种最优估计器对应带交互双向固定效应的加权回归。
- 阅读关注点
- 应核对干扰结构与效应定义、最优性所覆盖的估计器类别，以及协变量调整的估计方式和模型稳健推断条件。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审与期刊接收状态未核实；摘要未给出设计细节、渐近条件或模拟效率提升的数值。
原文摘要
Multiple randomization designs (MRDs) are a class of experimental designs used to handle interference in two-sided marketplaces. We investigate regression adjustment strategies for estimating total, spillover, and direct effects in MRDs. We derive minimum asymptotic variance estimators among a broad class of linearly adjusted estimators, without assuming a linear model on the potential outcomes. Surprisingly, the optimal regression adjustments are estimable from data and are generally different from regression adjustments in classical randomized experiments. For example, one such optimal estimator for the direct effect corresponds to a weighted regression with interacted two-way fixed effects. We establish model-robustness properties, central limit theorems, and inferential methods for our estimators, relying on improved theoretical results for MRD experiments. Our results provide the analog of classical regression adjustments for marketplace experiments. Numerical simulations demonstrate a considerable increase in efficiency over simpler approaches, enabling better inference when running MRDs.