सटीक स्तरबद्ध फिर से यादृच्छिकी डिज़ाइन

हम सटीक स्तरबद्ध फिर से यादृच्छिकी डिज़ाइन के अंतर्गत कारणात्मक पैरामीटरों पर अनुमान और अनुमान लगाने का अध्ययन करते हैं, जो बुनियादी चर का उपयोग करके इकाइयों को समूहों (जैसे, मिलान जोड़े) में मिलाते हैं, फिर समूह के भीतर उपचार असाइनमेंट को फिर से यादृच्छिकी करते हैं जब तक संतुलन मानदंड संतुष्ट नहीं होता। हम दिखाते हैं कि सटीक स्तरबद्ध फिर से यादृच्छिकी आंशिक रूप से रेखीय प्रतिगमन समायोजन करती है, स्तरबद्धता के लिए उपयोग किए जाने वाले चर पर गैर-परामीetric नियंत्रण प्रदान करती है, और फिर से यादृच्छिकी वाले चर पर रेखीय नियंत्रण प्रदान करती है। हम नए फिर से यादृच्छिकी मानदंडों का परिचय भी देते हैं, जो गैर-रेखीय असंतुलन मेट्रिक्स की अनुमति देते हैं और एक मिनीमैक्स योजना का प्रस्ताव करते हैं जो संतुलन मानदंड को पायलट डेटा या अनुसंधानकर्ता द्वारा प्रदान की गई पूर्व जानकारी का उपयोग करके अनुकूलित करती है। जबकि स्तरबद्ध फिर से यादृच्छिकी के तहत सामान्यीकृत क्षण विधि (GMM) अनुमानकर्ताओं का आसिम्पटोटिक वितरण सामान्यतः गैर-गौसियन होता है, हम यह दिखाते हैं कि अनुकूलतम पूर्व-रेखीय समायोजन का उपयोग करके आसिम्पटोटिक सामान्यता को कैसे बहाल किया जा सकता है। यह हमें सुपरजनसंख्या पैरामीटरों के लिए सरल आसिम्प्टोटिक रूप से सटीक अनुमान विधियों, और सीमित जनसंख्या पैरामीटरों के लिए प्रभावशाली संवेदनशील अनुमान विधियों प्रदान करने की अनुमति देता है।