跳转至

Asymptotic inference with flexible covariate adjustment under rerandomization and stratified rerandomization

作者: Bingkai Wang, Fan Li
来源: Journal of the Royal Statistical Society Series B
主题: 因果推断
相关性: 7/10
机构绿灯: University of Michigan(US News 前 50,免分进入精读)
链接: 期刊页 · arXiv


一、领域脉络与小综述

  • 这个方向是什么:本子方向研究在随机化实验中,当分配机制不是简单随机化(simple randomization),而是 rerandomization(重随机化)或分层 rerandomization(分层重随机化)时,如何对协变量调整估计量进行有效的渐近推断。根本问题是:设计阶段的 rerandomization 会引入个体间处理分配的相依性,这种相依性如何影响估计量的渐近分布?在什么条件下,我们可以忽略 rerandomization,直接使用基于简单随机化推导的推断程序?该方向处于因果推断与实验设计的交叉地带,成熟度较高——针对未调整估计量和线性调整估计量的理论已相当完备,但针对一般 M-估计量和数据自适应机器学习估计量的理论尚在发展中。

  • 发展脉络(history):

  • 奠基工作:Morgan and Rubin (2012) 提出 rerandomization 的基本框架,即拒绝那些协变量平衡性差的分配方案,直到平衡统计量落入预设阈值。该文确立了 rerandomization 作为设计工具的基本范式,并指出其能提升估计精度。
  • 主要进展:Li et al. (2018) 在有限总体设计框架下建立了 rerandomization 下未调整估计量的渐近理论,证明其渐近分布是正态分布与截断正态分布的混合。Li and Ding (2020) 将这一理论推广到线性回归调整估计量,并给出了"rerandomization 渐近可忽略"的条件。Wang et al. (2023b) 将 rerandomization 推广到分层随机化场景,提出分层 rerandomization 并建立相应理论。Wang and Li (2022) 处理了高维协变量和发散维数的情况,Wang and Li (2025) 进一步研究了"最优选择" rerandomization 的渐近性质。
  • 当前 frontier:本文(Wang & Li, 2026)将上述理论从线性调整估计量推广到一般 M-估计量(包括 g-computation、广义线性回归、双重稳健方法)以及基于数据自适应机器学习的有效估计量。作者在引言中明确指出:"there has been no formal development of the asymptotic theory for a more general class of covariate-adjusted estimators"——这是本文声称要填补的缺口。同时,作者提到与 Cytrynbaum (2024) 的独立平行工作,后者在精细分层设计下发展了 M-估计量的渐近理论。
  • 本文的位置:本文是 rerandomization 理论从"特定估计量"走向"一般估计量"的关键一步,将设计阶段的 rerandomization 与现代半参数效率理论(数据自适应机器学习、交叉拟合)系统地结合起来。

  • 子线索聚类:

  • rerandomization 的渐近理论(Morgan & Rubin 2012; Li et al. 2018; Li & Ding 2020; Wang & Li 2022, 2025):这条线索聚焦于 rerandomization 作为设计工具对估计量渐近分布的影响,核心问题是"何时 rerandomization 可被忽略"。
  • 分层与精细分层设计(Wang et al. 2023b; Cytrynbaum 2024; Bai 2022):这条线索研究分层随机化及其与 rerandomization 的结合,关注分层变量与 rerandomization 变量的交互作用。
  • 协变量调整与半参数效率(Chernozhukov et al. 2018; Wang et al. 2024; Benkeser et al. 2021):这条线索研究如何利用机器学习灵活调整协变量以达到半参数效率界,通常假设简单随机化。
  • 有限总体与超总体框架的对比(Li et al. 2018 vs. Wang et al. 2023a):这条线索关注推断框架的选择——有限总体设计框架 vs. 超总体抽样框架——对渐近结果的影响。

  • 这个方向在追问的核心问题:

  • rerandomization 何时渐近可忽略? 即什么条件下,rerandomization 下的估计量渐近分布与简单随机化相同(正态),从而可以使用标准推断程序?
  • rerandomization 何时不可忽略? 即什么条件下,rerandomization 导致非正态渐近分布(截断正态混合),此时如何构造有效的置信区间?
  • 协变量调整如何与 rerandomization 交互? 调整估计量是否会自动"吸收" rerandomization 带来的精度增益,从而恢复正态性?
  • 数据自适应机器学习估计量在 rerandomization 下是否仍然有效? 交叉拟合、 nuisance 估计误差等现代工具在 rerandomization 下是否仍然成立?
  • 已知瓶颈:现有理论大多局限于线性调整或特定估计量;对一般 M-估计量和机器学习估计量的理论缺乏;rerandomization 引入的相依性使得标准经验过程理论不能直接应用。

  • ⚠️ 作者的 framing(这是作者的说法):作者将缺口 frame 为"rerandomization 理论仅覆盖未调整和线性调整估计量,尚未覆盖一般 M-估计量和机器学习估计量",从而使本文成为"显然的下一步"。作者强调其理论适用于"essentially all commonly used covariate-adjusted estimators"。作者淡化的竞争路线包括:(1) 有限总体设计框架下的 rerandomization 理论(Li et al. 2018 等),作者选择超总体框架并论证其更适合一般估计量;(2) Cytrynbaum (2024) 的精细分层设计路线,作者仅在一处提及,未详细比较。值得研究者去查的问题:作者声称"super-population framework is an effective framework for studying general covariate-adjusted estimators",但未深入讨论有限总体框架下 rerandomization 理论是否也能推广到 M-估计量;作者对 Cytrynbaum (2024) 的差异仅以"emphasizes finite-population causal estimands and nonlinear imbalance criteria"一笔带过,未说明为何超总体框架更优。

  • 张力:未见明显对立引用。但存在一个微妙的张力:Li et al. (2018) 和 Li & Ding (2020) 在有限总体框架下证明 rerandomization 可以提升精度(方差缩减),而本文在超总体框架下证明"只要调整了 rerandomization 变量,rerandomization 渐近可忽略"(R²=0),这意味着 rerandomization 的精度增益被协变量调整"吸收"了。这两个结论并不矛盾,但反映了不同框架下对"rerandomization 价值"的不同解读。

二、最核心、最简单的例子 / 数学问题

第一步:把符号、模型、可观测数据交代清楚

  • 符号:
  • \(n\):样本量(个体数)。
  • \(i = 1, \ldots, n\):个体索引。
  • \(Y_i\):观测到的结果变量(随机变量)。
  • \(A_i \in \{0, 1\}\):处理分配指示(随机变量),\(A_i = 1\) 表示处理组,\(A_i = 0\) 表示对照组。
  • \(X_i\):基线协变量向量(随机变量),其中 \(X_i^r \subset X_i\) 是 rerandomization 变量(用于平衡性检查的协变量子集)。
  • \(R_i \in \{0, 1\}\):结果缺失指示(随机变量),\(R_i = 1\) 表示结果被观测到。
  • \(Y_i(a)\):潜在结果(potential outcome),即个体 \(i\) 在分配 \(A_i = a\) 下的结果(反事实量,不可观测)。
  • \(R_i(a)\):潜在缺失指示(potential missingness indicator),反事实量。
  • \(\Delta^* = f(E[Y(1)], E[Y(0)])\):目标 estimand(平均处理效应的一般形式),其中 \(f\) 是预先指定的函数(如 \(f(x, y) = x - y\) 对应差值)。
  • \(\theta = (\Delta, \beta) \in \mathbb{R}^{l+1}\):M-估计量的参数向量,\(\Delta\) 是感兴趣参数,\(\beta\) 是 nuisance 参数。
  • \(\psi(O_i; \theta)\):估计方程(estimating equation),满足 \(\sum_{i=1}^n \psi(O_i; \hat{\theta}) = 0\)。
  • \(IF(O_i)\):影响函数(influence function),是 \(\sqrt{n}(\hat{\theta} - \theta^*)\) 的线性近似中的个体贡献。
  • \(V\):简单随机化下估计量的渐近方差。
  • \(R^2\):rerandomization 与估计量之间的"对齐度"度量,\(R^2 \in [0,1]\),衡量 rerandomization 对渐近分布的影响程度。
  • \(q\):rerandomization 变量的维度(\(X_i^r\) 的维度)。
  • \(t\):rerandomization 的平衡阈值。
  • \(K\):交叉拟合的折数。
  • \(S\):分层变量(stratification variable),取值于有限集合 \(\mathcal{S}\)。
  • \(\pi\):处理分配概率,\(\pi = P(A_i = 1)\)。
  • \(\pi_a = \pi^a(1-\pi)^{1-a}\)。
  • \(e(X) = P(A = 1 | X)\):倾向得分(propensity score),在 rerandomization 下不等于常数 \(\pi\)。
  • \(\kappa_a(X) = E[R(a) | X]\):给定协变量下结果可观测的概率。
  • \(\eta_a(X) = E[Y(a) | X]\):给定协变量下的条件期望结果。
  • \(O_i = (R_i Y_i, R_i, A_i, X_i)\):观测数据。
  • \(O_i(a) = (R_i(a) Y_i(a), R_i(a), a, X_i)\):潜在观测数据。

  • 模型:

  • 超总体抽样模型:\((W_1, \ldots, W_n) \sim P_W\) i.i.d.,其中 \(W_i = (Y_i(1), Y_i(0), R_i(1), R_i(0), X_i)\)。
  • 处理分配机制:给定 \(W_1, \ldots, W_n\),处理分配 \(A_1, \ldots, A_n\) 由设计 \(G^D(A_{1:n} | X_{1:n})\) 生成。简单随机化下 \(A_i \sim \text{Bernoulli}(\pi)\) 独立;rerandomization 下,分配方案被接受当且仅当平衡统计量 \(I^\top \widehat{\text{Var}}(I)^{-1} I < t\);分层 rerandomization 下,在每个 stratum 内独立进行 rerandomization。
  • 可忽略性(Ignorability):\(A \perp W | X\)(在 rerandomization 下成立,因为 rerandomization 只依赖于 \(X^r \subset X\))。
  • 缺失机制:\(R(a) \perp Y(a) | X\)(缺失完全随机给定协变量,即 MAR 假设)。
  • 一致性(Consistency):\(Y = A Y(1) + (1-A) Y(0)\),\(R = A R(1) + (1-A) R(0)\)。
  • M-估计量定义:\(\hat{\theta}\) 是 \(\sum_{i=1}^n \psi(O_i; \theta) = 0\) 的解。
  • 可观测数据:\(\{O_i = (R_i Y_i, R_i, A_i, X_i) : i = 1, \ldots, n\}\)。注意:研究者能观测到的是 \(R_i Y_i\)(缺失时乘积为 0)、\(R_i\)、\(A_i\)、\(X_i\);观测不到的是 潜在结果 \(Y_i(a)\)、潜在缺失指示 \(R_i(a)\)、以及反事实量。

第二步:讲最小内核

本文的核心数学问题可以归结为以下最小内核:

最小内核(一维情形,无缺失,差值 estimand): - 假设 \(Y_i(a) = \mu_a + \varepsilon_i(a)\),其中 \(\varepsilon_i(a)\) 均值为 0,方差为 \(\sigma_a^2\),且 \(X_i^r\) 与 \(\varepsilon_i(a)\) 相关。 - 简单随机化下,未调整估计量 \(\hat{\Delta}_{\text{unadj}} = \bar{Y}_1 - \bar{Y}_0\) 满足 \(\sqrt{n}(\hat{\Delta}_{\text{unadj}} - \Delta^*) \xrightarrow{d} N(0, V_{\text{unadj}})\)。 - Rerandomization 下,由于分配方案被限制在"平衡性好"的集合中,\(\hat{\Delta}_{\text{unadj}}\) 的渐近分布不再是正态,而是 \(\sqrt{V_{\text{unadj}}} \left( \sqrt{1-R^2} Z + \sqrt{R^2} R_{q,t} \right)\),其中 \(Z \sim N(0,1)\) 独立于 \(R_{q,t} \sim D_1 | (D^\top D < t)\),\(D \sim N(0, I_q)\)。 - 这里 \(R^2\) 度量了 rerandomization 变量 \(X^r\) 对估计量方差的解释比例。当 \(R^2 = 0\) 时(即估计量已完全调整了 \(X^r\)),rerandomization 的渐近分布退化为正态分布。 - 本文的核心定理(Theorem 1) 证明:对于一般 M-估计量,只要估计量是渐近线性的且影响函数已知,rerandomization 下的渐近分布就具有上述"正态 + 截断正态"的混合形式,且 \(R^2\) 由影响函数与 rerandomization 变量的协方差决定。 - Theorem 2 进一步证明:对于常见的 M-估计量(ANCOVA、g-computation、DR-WLS),如果调整了 rerandomization 变量 \(X^r\),则 \(R^2 = 0\),rerandomization 渐近可忽略,标准正态推断有效。 - Theorem 5 将这一结果推广到基于数据自适应机器学习的有效估计量(DML),证明在交叉拟合和 nuisance 估计率条件下,rerandomization 下 DML 估计量仍然渐近正态且半参数有效。

为什么这个最小内核是"支撑整篇论文"的:所有后续定理(Theorem 2-6)都是 Theorem 1 的推论或推广。Theorem 1 的核心贡献在于:它建立了"rerandomization 对一般 M-估计量渐近分布的影响仅通过 \(R^2\) 这一个标量参数体现"这一事实,从而将问题从"需要针对每个估计量单独推导"简化为"只需计算 \(R^2\)"。这个简化是本文所有结果的基础。

三、这篇论文做了什么

三句话: 1. 研究了什么问题:在 rerandomization 和分层 rerandomization 下,一般 M-估计量(包括 g-computation、广义线性回归、双重稳健方法)以及基于数据自适应机器学习的有效估计量的渐近分布是什么?何时 rerandomization 可被忽略? 2. 核心工具/方法:利用 M-估计量的渐近线性性,结合条件中心极限定理(Lemma 1)和条件经验过程理论,证明 rerandomization 下的渐近分布是"正态 + 截断正态"的混合,其中 \(R^2\) 度量了估计量与 rerandomization 变量的对齐程度。 3. 主要结论:任何 M-估计量在 rerandomization 下的渐近分布由其在简单随机化下的影响函数和 \(R^2\) 决定;若调整了 rerandomization 变量,则 \(R^2 = 0\),rerandomization 渐近可忽略;基于数据自适应机器学习的有效估计量在 rerandomization 下仍保持半参数有效性。

关键设定与假设: - 超总体抽样框架(Assumption 1):\(W_i\) i.i.d. 来自未知分布 \(P_W\),具有有限二阶矩。相比有限总体设计框架(Li et al. 2018),超总体框架更适合研究一般估计量的渐近性质。 - 缺失完全随机给定协变量(MAR,Assumption 2):\(R(a) \perp Y(a) | X\),且 \(P(R(a) = 1 | X)\) 有界远离 0。这一假设用于处理缺失结果,是 DR-WLS 和 DML 估计量有效性的基础。 - M-估计量正则条件(Assumption 3):包括参数空间紧致性、估计方程的可微性、矩条件、唯一解等。这些条件与 van der Vaart (1998) 第 5 章的标准条件一致,相比已有 rerandomization 文献(仅覆盖线性回归),这是显著的推广。 - Nuisance 估计收敛率条件(Assumption 4):要求 nuisance 函数估计的 \(L^2\) 收敛率为 \(o(n^{-1/4})\),这是 DML 文献的标准条件(Chernozhukov et al. 2018)。值得注意的是,作者强调"no extra condition is specifically assumed for addressing rerandomization"——即 rerandomization 不改变 DML 的 nuisance 估计要求。 - 关键假设的统计含义:MAR 假设意味着缺失机制可以由协变量完全解释;M-估计量正则条件保证了渐近线性性;nuisance 收敛率条件保证了 DML 的二阶余项可忽略。相比已有文献,本文的假设并不更强,但覆盖的估计量类别更广。

主要结果: - Theorem 1(一般 M-估计量在 rerandomization 下的渐近分布):在 Assumptions 1 和 3 下,\(\sqrt{n}(\hat{\Delta} - \Delta^*) \xrightarrow{d} \sqrt{V} \left( \sqrt{1-R^2} Z + \sqrt{R^2} R_{q,t} \right)\),其中 \(R^2\) 由影响函数与 rerandomization 变量的协方差决定。这是本文最核心的定理,将 Li et al. (2018) 和 Li & Ding (2020) 的结果从特定估计量推广到一般 M-估计量。 - Theorem 2(常见 M-估计量的正态性恢复):对于 ANCOVA、g-computation、DR-WLS 估计量,如果调整了 rerandomization 变量 \(X^r\),则 \(R^2 = 0\),渐近分布退化为正态分布 \(N(0, V)\)。这意味着在这些条件下,rerandomization 在渐近意义上是"可忽略的",标准推断程序有效。 - Theorem 3(分层 rerandomization 下的推广):Theorem 1 的结果在分层 rerandomization 下仍然成立,只需将 \(R^2\) 替换为条件版本 \(\tilde{R}^2\),并考虑 stratum 内 rerandomization 的影响。 - Theorem 4(分层 rerandomization 下常见 M-估计量的正态性恢复):与 Theorem 2 类似,但额外要求调整 stratum 变量 \(S\) 的哑变量。 - Theorem 5(DML 估计量在 rerandomization 下的有效性):在 Assumptions 1、2 和 4 下,DML 估计量在 rerandomization 下渐近正态且半参数有效,且 \(R^2 = 0\) 如果调整了 \(X^r\)。这是本文对现代机器学习估计量的关键推广。 - Theorem 6(分层 rerandomization 下 DML 估计量的有效性):Theorem 5 在分层 rerandomization 下的推广。 - Proposition 1(混合效应模型的 M-估计量):Theorem 2 对混合效应模型估计量的适用性。 - Proposition 2(效率不变性):参数无关的设计(包括 rerandomization)不改变半参数效率界。这是一个重要的理论结果,说明 rerandomization 不能突破经典效率下界。

证明路线与技术技巧: - 整体路线: 1. 建立条件框架:以 \(W_{1:n}\) 为条件,将 rerandomization 视为对处理分配 \(A_{1:n}\) 的条件分布施加约束。这是处理 rerandomization 引入的相依性的关键一步。 2. 证明条件渐近正态性:利用条件中心极限定理(Lemma 1),证明在给定 \(W_{1:n}\) 的条件下,M-估计量的估计方程满足条件 Lindeberg 条件,从而条件渐近正态。 3. 推导影响函数:通过 M-估计量的标准 Taylor 展开,将 \(\sqrt{n}(\hat{\theta} - \theta^*)\) 表示为影响函数的样本均值加上可忽略的余项。 4. 计算 \(R^2\):将 rerandomization 的影响分解为与 rerandomization 变量对齐的部分(\(R^2\))和正交的部分(\(1-R^2\)),证明正交部分渐近正态,对齐部分收敛到截断正态分布。 5. 处理 nuisance 估计:对于 DML 估计量,利用交叉拟合和 nuisance 估计的收敛率条件,证明二阶余项可忽略。 6. 推广到分层 rerandomization:将上述论证在每个 stratum 内重复,并考虑 stratum 间独立性。 - 关键跳跃点: - Lemma 1(条件中心极限定理):这是整个证明的基石。作者使用条件特征函数方法(stable convergence),证明在给定 \(W_{1:n}\) 的条件下,估计方程的和收敛到条件正态分布。这个引理的关键在于处理 rerandomization 引入的相依性——虽然 \(A_i\) 不再独立,但在给定 \(W_{1:n}\) 的条件下,\(A_i\) 的条件分布仍然具有良好的结构。 - Lemma 3(rerandomization 下的联合渐近分布):这是证明 Theorem 1 的核心引理。作者将估计方程的和分解为与 rerandomization 变量对齐的部分和正交的部分,证明对齐部分收敛到截断正态分布,正交部分收敛到正态分布,且两者渐近独立。这个分解是计算 \(R^2\) 的关键。 - Lemma 10(条件 \(L^2\) 收敛率):这是证明 DML 估计量有效性的关键。作者证明在交叉拟合和 nuisance 估计的 \(o(n^{-1/4})\) 收敛率条件下,DML 估计量的二阶余项在条件期望意义下可忽略。 - Proposition 2(效率不变性):这个结果的证明依赖于观察到 rerandomization 是参数无关的设计,因此不改变似然比的空间(tangent space)。这是一个简洁而深刻的论证。 - 技术技巧点名: - 条件特征函数方法(Lemma 1):用于证明条件中心极限定理,处理相依性。 - 影响函数分解:将估计量的渐近分布分解为与 rerandomization 对齐和正交的部分。 - 截断正态分布:rerandomization 的平衡条件导致对齐部分收敛到截断正态分布,这是 rerandomization 理论的核心特征。 - 交叉拟合(cross-fitting):用于 DML 估计量,避免 nuisance 估计的过拟合偏差。 - Delta 方法:用于处理非线性 estimand(如风险比)。 - 条件经验过程理论:用于处理 nuisance 估计的随机误差。

真实例子与应用: - 模拟研究(Section 7):设计了两个模拟实验。第一个模拟使用连续结果,比较未调整、ANCOVA、ML 估计量在简单随机化、rerandomization、分层 rerandomization 下的表现。结果显示:未调整估计量在 rerandomization 下方差显著降低(ESE 比 ASE* 小约 20%),而调整了 rerandomization 变量的 ANCOVA 和 ML 估计量的方差与简单随机化下几乎相同,且覆盖概率接近 0.95。第二个模拟使用二元结果和风险比 estimand,验证了 Theorem 2 对非线性 estimand 的适用性。 - 数据应用(Section 8):重新分析了 GroupPMPlus 集群随机实验(Jordans et al., 2021),该实验在尼泊尔评估心理干预对心理健康的影响。72 个 ward(集群)被分层 rerandomization 分配到干预组或对照组,共 609 名参与者。作者使用混合 ANCOVA 估计量,发现调整 rerandomization 变量后,标准误估计与简单随机化假设下几乎一致,支持了"rerandomization 渐近可忽略"的理论结果。这个例子展示了理论结果在实际集群随机实验中的应用价值。

🔎 结论是否比证明窄: - Theorem 2 的条件 (2):作者证明"如果结果回归模型正确设定,则 \(R^2 = 0\)"。但这一结论依赖于模型正确设定这一强假设。在模型误设定下,\(R^2\) 可能不为零,rerandomization 不可忽略。作者在讨论中承认了这一点,但未给出模型误设定下的理论结果。 - Theorem 5 的 nuisance 估计:作者假设 nuisance 估计的 \(L^2\) 收敛率为 \(o(n^{-1/4})\),这是 DML 文献的标准条件。但作者未讨论当 nuisance 估计收敛率不满足该条件时的情况(如高维稀疏模型中的非正则收敛率)。 - Proposition 2(效率不变性):作者证明的是"参数无关的设计不改变效率界",但未讨论"参数相关"的设计(如响应自适应随机化)是否也有此性质。这是一个潜在的推广方向。 - 有限样本性质:作者在附录 B.4 中提及有限样本结果,但正文中未给出具体的有限样本界或 Edgeworth 展开。所有主要结果都是渐近的。

四、开放问题

  1. 模型误设定下的 rerandomization 效应:Theorem 2 的结论(\(R^2 = 0\))依赖于结果回归模型的正确设定。当模型误设定时,\(R^2\) 如何变化?是否存在一个"最小误设定"条件使得 rerandomization 仍然渐近可忽略?——扎根于 Theorem 2 的条件 (2) 和讨论部分对模型误设定的承认。

  2. nuisance 估计收敛率的边界:Theorem 5 要求 nuisance 估计的 \(L^2\) 收敛率为 \(o(n^{-1/4})\)。当收敛率更慢时(如高维稀疏模型中的 \(\sqrt{s \log p / n}\) 率),DML 估计量在 rerandomization 下是否仍然有效?是否存在一个"最小收敛率"条件?——扎根于 Assumption 4 和讨论部分对 DML 条件的讨论。

  3. 参数相关设计的效率不变性:Proposition 2 证明了参数无关的设计不改变效率界。对于参数相关的设计(如响应自适应随机化),效率界是否仍然不变?如果改变,rerandomization 是否可能突破经典效率下界?——扎根于 Proposition 2 的证明和讨论部分对设计类型的限定。

  4. 有限样本精度的理论刻画:作者在附录 B.4 中提及有限样本结果,但正文未给出具体的有限样本界。能否建立 rerandomization 下 M-估计量的 Edgeworth 展开或 Berry-Esseen 界,以刻画有限样本下正态近似的精度?——扎根于附录 B.4 和讨论部分对有限样本性质的提及。

  5. 分层 rerandomization 中 stratum 数量的影响:Theorem 3-4 假设 stratum 数量固定。当 stratum 数量随样本量发散时(如精细分层),渐近分布是否仍然具有"正态 + 截断正态"的混合形式?——扎根于 Theorem 3 的设定和讨论部分对固定 stratum 的假设。


提示:要确认上述问题是否为真 gap,建议阅读以下近期文献的引言部分:(1) Cytrynbaum (2024) 关于精细分层 rerandomization 的工作;(2) Wang et al. (2023b) 关于分层 rerandomization 的原始论文;(3) Rafi (2023) 关于协变量自适应随机化下有效估计的工作。如果这些文献的引言都指向同一个未解决问题,那很可能是共识性 gap;如果它们各说各话,则可能是机会所在。


Maintained by 陈星宇 · Homepage · Source on GitHub

评论