岭重随机化：共线性存在下的实验设计策略

随机化确保已观测和未观测协变量在平均意义上平衡。然而，将单元随机分配至处理组与对照组常在实现时导致协变量不平衡，此类不平衡会放大处理效应估计量的方差。该问题的一个解决方案是重随机化——一种将单元随机分配直至满足某平衡准则的实验设计策略——当协变量与结果相关时，其产生更精确的处理效应估计量。文献中多数重随机化方案利用马氏距离，当协变量相关或重要性不同时该距离可能并非优选。作为替代，我们引入一种称为岭重随机化的实验设计策略，其利用一种修正的马氏距离，该距离处理了协变量间的共线性，并依据其特征结构自动对协变量赋予重要性层级。该修正马氏距离与主成分及欧氏距离相关，且据我们所知尚未被探索。我们建立了该修正马氏距离及岭重随机化方案的若干理论性质。这些结果保证岭重随机化优于随机化，并提示了岭重随机化何时优于标准重随机化方案。我们还提供仿真证据，表明在高维或高共线性设定下岭重随机化尤其优于典型重随机化方案。