Design-based finite-sample analysis for regression adjustment
回归调整的设计型有限样本分析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：摘要直接研究随机实验中的平均处理效应估计与回归调整推断。
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
回归调整的设计型有限样本分析
- 研究问题
- 完全随机实验中，回归调整的平均处理效应估计在协变量多于观测值时如何表现，能否获得具有有限样本保证的置信区间？
- 方法与思路
- 作者开展交换敏感性分析，用方差自适应 Doob 鞅和 Freedman 不等式控制波动，并以 Stein 交换对方法约束设计偏差。
- 材料陈述的贡献
- 摘要称，该框架给出宽度随具体数据情形变化的有限样本有效区间，允许协变量数超过样本量，并讨论可由观测数据计算的包络。
- 阅读关注点
- 应核对回归调整的具体定义、区间依赖的总体量、数据驱动包络的保证，以及协变量几何结构如何影响偏差和集中界。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要所述区间依赖总体层面的未知量，未明确数据驱动包络的完整有效性条件。
原文摘要
In randomized experiments, regression adjustment can improve the precision of average treatment effect (ATE) estimation using covariates without requiring a correctly specified outcome model. Although well studied in low-dimensional settings, its behavior in high-dimensional regimes, where the number of covariates $p$ may exceed the number of observations $n$, remains underexplored. Moreover, existing analyses are largely asymptotic, providing limited guidance for finite-sample inference. We develop a design-based, non-asymptotic framework for analyzing the regression-adjusted ATE estimator under complete randomization. This yields finite-sample-valid confidence intervals with explicit, instance-adaptive widths, even when $p > n$. While these intervals rely on oracle (population-level) quantities, we also outline data-driven envelopes computable from observed data. Our approach hinges on a refined swap sensitivity analysis of an estimator: stochastic fluctuation is controlled via a variance-adaptive Doob martingale and Freedman's inequality, and design bias is bounded by Stein's method of exchangeable pairs. The analysis elucidates how covariate geometry governs concentration and bias of the adjusted estimator, suggesting when and how regression adjustment can be effective.