关于实验数据回归调整的不可知论注记：重审 Freedman 的批评
应用统计
2013-04-22 v2 统计方法学
摘要
Freedman [Adv. in Appl. Math. 40 (2008) 180-193; Ann. Appl. Stat. 2 (2008) 176-196] 利用 Neyman 的随机化推断模型，批评了随机实验中估计处理效应的普通最小二乘法（OLS）回归调整。与传统观点相反，他认为调整可能导致渐近精度降低、精度度量无效以及小样本偏差。本文表明，在足够大的样本中，这些问题要么是次要的，要么很容易修正。当包含全套处理 - 协变量交互项时，OLS 调整不会损害渐近精度。利用 Huber-White 三明治标准误估计量可以构建渐近有效的置信区间。我们利用 Angrist, Lang 和 Oreopoulos [Am. Econ. J.: Appl. Econ. 1:1 (2009) 136--163] 关于提高大学生成就策略的评估数据，说明了对渐近近似的检验。支持 Freedman 偏好未调整估计的最有力理由是透明度和规范搜索（specification search）的危险。
引用
@article{arxiv.1208.2301,
title = {Agnostic notes on regression adjustments to experimental data: Reexamining Freedman's critique},
author = {Winston Lin},
journal= {arXiv preprint arXiv:1208.2301},
year = {2013}
}
备注
Published in at http://dx.doi.org/10.1214/12-AOAS583 the Annals of Applied Statistics (http://www.imstat.org/aoas/) by the Institute of Mathematical Statistics (http://www.imstat.org)