ترجمه فارسی مقاله استنتاج نیمانی در آزمایشات تصادفی شده

چکیده

In his seminal work in 1923, Neyman studied the variance estimation problem for the difference-in-means estimator of the average treatment effect in completely randomized experiments. He proposed a variance estimator that is conservative in general and unbiased when treatment effects are homogeneous. While widely used under complete randomization, there is no unique or natural way to extend this estimator to more complex designs. To this end, we show that Neyman’s estimator can be alternatively derived in two ways, leading to two novel variance estimation approaches: the imputation approach and the contrast approach. While both approaches recover Neyman’s estimator under complete randomization, they yield fundamentally different variance estimators for more general designs. In the imputation approach, the variance is expressed as a function of observed and missing potential outcomes and then estimated by imputing the missing potential outcomes, akin to Fisherian inference. In the contrast approach, the variance is expressed as a function of several unobservable contrasts of potential outcomes and then estimated by exchanging each unobservable contrast with an observable contrast. Unlike the imputation approach, the contrast approach does not require separately estimating the missing potential outcome for each unit. We examine the theoretical properties of both approaches, showing that for a large class of designs, each produces conservative variance estimators that are unbiased in finite samples or asymptotically under homogeneous treatment effects.

چکیده به فارسی (ترجمه ماشینی)

در کار اصلی خود در سال 1923 ، نیمن مشکل تخمین واریانس را برای برآوردگر اختلاف در میانگین اثر درمانی در آزمایشات کاملاً تصادفی مورد بررسی قرار داد.وی یک برآوردگر واریانس را پیشنهاد کرد که به طور کلی محافظه کارانه و بی طرفانه باشد وقتی اثرات درمانی یکدست است.در حالی که به طور گسترده تحت تصادفی کامل استفاده می شود ، هیچ روش منحصر به فرد یا طبیعی برای گسترش این برآوردگر به طرح های پیچیده تر وجود ندارد.برای این منظور ، ما نشان می دهیم که برآوردگر Neyman می تواند از دو طریق به دو طریق مشتق شود و منجر به دو رویکرد تخمین واریانس جدید شود: رویکرد Imputation و رویکرد کنتراست.در حالی که هر دو رویکرد برآوردگر Neyman را تحت تصادفی کامل بازیابی می کنند ، آنها برآوردگرهای واریانس اساساً متفاوت را برای طرح های کلی تر به دست می آورند.در رویکرد ضعف ، واریانس به عنوان تابعی از نتایج بالقوه مشاهده شده و گمشده بیان می شود و سپس با تحمیل نتایج بالقوه گمشده ، شبیه به استنتاج فیشری تخمین زده می شود.در رویکرد کنتراست ، واریانس به عنوان تابعی از چندین تضاد غیرقابل کنترل از نتایج بالقوه بیان شده و سپس با تبادل هر کنتراست غیرقابل کنترل با یک کنتراست قابل مشاهده تخمین زده می شود.بر خلاف رویکرد Imputation ، رویکرد کنتراست نیازی به تخمین جداگانه نتیجه بالقوه گمشده برای هر واحد ندارد.ما خصوصیات نظری هر دو رویکرد را بررسی می کنیم ، نشان می دهد که برای یک کلاس بزرگ از طرح ها ، هر یک برآوردگرهای واریانس محافظه کارانه تولید می کنند که در نمونه های محدود یا بدون علامت تحت تأثیر درمان همگن بی طرف هستند.