MARC

 008260126s2025        us                              c    eng  d
■001000017357663
■00520260202103543
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798288863554
■035    ▼a(MiAaPQ)AAI32041057
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a310
■1001  ▼aShi,  Lei.
■24510▼aDesign-Based  Causal  Inference  for  Randomized  Experiments:  A  Unified  Framework  for  a  Diverging  Number  of  Treatment  Arms  and  Varying  Sample  Sizes
■260    ▼a[Sl]▼bUniversity  of  California,  Berkeley▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a219  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-01,  Section:  B.
■500    ▼aAdvisor:  Ding,  Peng;Wang,  Jingshen.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Berkeley,  2025.
■520    ▼aThis  manuscript  includes  novel  results  on  design-based  causal  inference  and  aim  to  develop  a  unifying  theoretical/methodological  framework  for  different  regimes  of  randomized  experiments.  This  manuscript  contains  three  self-contained  chapters.Chapter  1.  [1]  introduced  the  randomization  model,  which  contains  the  notation  of  potential  outcomes  to  define  causal  effects  and  a  framework  for  large-sample  inference  based  on  the  design  of  the  experiment.  However,  the  existing  theory  for  this  framework  is  far  from  complete  especially  when  the  number  of  treatment  levels  diverges  and  the  treatment  group  sizes  vary.  We  provide  a  unified  discussion  of  statistical  inference  under  the  randomization  model  with  general  treatment  group  sizes.  We  formulate  the  estimator  in  terms  of  a  linear  permutational  statistic  and  use  results  based  on  Stein's  method  to  derive  various  Berry-Esseen  bounds  on  the  linear  and  quadratic  functions  of  the  estimator.  These  new  Berry-Esseen  bounds  serve  as  basis  for  design-based  causal  inference  with  possibly  diverging  treatment  levels  and  a  diverging  number  of  causal  parameters  of  interest.  We  also  fill  an  important  gap  by  proposing  novel  variance  estimators  for  experiments  with  possibly  many  treatment  levels  without  replications.  Equipped  with  the  newly  developed  results,  design-based  causal  inference  in  general  settings  becomes  more  convenient  with  stronger  theoretical  guarantees.Chapter  2.  Ever  since  the  seminal  work  of  R.  A.  Fisher  and  F.  Yates,  factorial  designs  have  been  an  important  experimental  tool  to  simultaneously  estimate  the  effects  of  multiple  treatment  factors.  In  factorial  designs,  the  number  of  treatment  combinations  grows  exponentially  with  the  number  of  treatment  factors,  which  motivates  the  forward  selection  strategy  based  on  the  sparsity,  hierarchy,  and  heredity  principles  for  factorial  effects.  Although  this  strategy  is  intuitive  and  has  been  widely  used  in  practice,  its  rigorous  statistical  theory  has  not  been  formally  established.  To  fill  this  gap,  we  establish  design-based  theory  for  forward  factor  selection  in  factorial  designs  based  on  the  potential  outcome  framework.  We  not  only  prove  a  consistency  property  for  the  factor  selection  procedure  but  also  discuss  statistical  inference  after  factor  selection.  In  particular,  with  selection  consistency,  we  quantify  the  advantages  of  forward  selection  based  on  asymptotic  efficiency  gain  in  estimating  factorial  effects.  With  inconsistent  selection  in  higher-order  interactions,  we  propose  two  strategies  and  investigate  their  impact  on  subsequent  inference.  Our  formulation  differs  from  the  existing  literature  on  variable  selection  and  post-selection  inference  because  our  theory  is  based  solely  on  the  physical  randomization  of  the  factorial  design  and  does  not  rely  on  a  correctly  specified  outcome  model.Chapter  3.  [1]'s  seminal  work  in  1923  has  been  a  milestone  in  statistics  over  the  century,  which  has  motivated  many  fundamental  statistical  concepts  and  methodology.  In  this  review,  we  delve  into  [1]'s  groundbreaking  contribution  and  offer  technical  insights  into  the  design  and  analysis  of  randomized  experiments.  We  shall  review  the  basic  setup  of  completely  randomized  experiments  and  the  classical  approaches  for  inferring  the  average  treatment  effects.  We  shall  in  particular  review  more  efficient  design  and  analysis  of  randomized  experiments  by  utilizing  pretreatment  covariates,  which  move  beyond  Neyman's  original  work  without  involving  any  covariate.  We  then  summarize  several  technical  ingredients  regarding  randomizations  and  permutations  that  have  been  developed  over  the  century,  such  as  permutational  central  limit  theorems  and  Berry--Esseen  bounds,  and  elaborate  on  how  these  technical  results  facilitate  the  understanding  of  randomized  experiments.  The  discussion  is  also  extended  to  other  randomized  experiments  including  rerandomization,  stratified  randomized  experiments,  matched  pair  experiments,  cluster  randomized  experiments,  etc.
■590    ▼aSchool  code:  0028.
■650  4▼aStatistics
■650  4▼aBiostatistics
■650  4▼aApplied  mathematics
■653    ▼aCausal  inference
■653    ▼aCentral  limit  theorem
■653    ▼aPermutations
■653    ▼aPotential  outcome
■653    ▼aRandomized  experiment
■653    ▼aStein's  method
■690    ▼a0463
■690    ▼a0308
■690    ▼a0364
■71020▼aUniversity  of  California,  Berkeley▼bBiostatistics.
■7730  ▼tDissertations  Abstracts  International▼g87-01B.
■790    ▼a0028
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17357663▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서