2008年-世界发展银行全球_In_Pursuit_of_Balance___Randomization_in_Practice_in_Development_Field_Experiments_59页_547kb

详细总结：随机化在发展领域实验中的实践与平衡

核心内容

本文探讨了在发展经济学领域中，随机化方法在实际实验中的应用及其对结果平衡的影响。作者指出，虽然随机化是实验设计的核心，但研究人员在实际操作中常常忽视其对统计推断的影响。文章通过模拟分析和对现有研究的回顾，评估了不同随机化方法在实现变量平衡方面的效果，并提出了一些实践建议。

主要观点

• 随机化的重要性：随机化确保了处理组和对照组在平均上具有相似的特征，从而减少偏差。
• 随机化方法的多样性：除了纯随机分配，研究人员还使用了分层（stratification）、配对匹配（pair-wise matching）和再随机化（re-randomization）等方法。
• 方法选择的影响：在小样本中，再随机化方法可能不如配对匹配或分层方法有效，且需要更复杂的统计分析。
• 统计推断需考虑随机化方法：忽略随机化方法可能导致假设检验的显著性水平错误，以及标准误差过于保守，影响结果的可靠性。
• 平衡与自由度的权衡：在进行变量平衡时，需要在减少残差变异和保留自由度之间做出权衡。

关键信息

1. 随机化方法概述

• 纯随机分配：确保处理组和对照组在平均上相似，但无法保证每个分配都完全平衡。
• 分层随机化：根据一到两个基线变量将单位分层，然后在层内随机分配。这种方法可以提高实验的敏感度，但通常只能平衡少量变量。
• 配对匹配：通过算法匹配单位，以实现多个变量的平衡。这种方法在小样本和高度持久的变量中表现更好。
• 再随机化：在初次随机分配后，根据某些标准重新随机分配。这种方法在实践中较为常见，但效果不如配对匹配。

2. 实验设计中的实践问题

• 公开与私下随机化：只有少数研究明确说明随机化是否在公开场合进行，大多数则未提及。
• 变量选择与平衡：研究人员通常使用少量变量进行分层或匹配，且很少使用基线结果变量作为分层依据。
• 样本大小的影响：在300个样本或以上的情况下，不同随机化方法在实现变量平衡方面效果相近；但在小样本和高度持久变量中，配对匹配和分层方法更优。

3. 统计推断的注意事项

• 忽略随机化方法的后果：可能导致标准误差过于保守，影响对处理效应的检测。
• 再随机化方法的缺点：虽然在某些情况下使用，但通常不如配对匹配方法有效，且需要更复杂的统计分析。

4. 实践建议

• 应考虑随机化方法：在进行统计推断时，应考虑到随机化方法对结果的影响。
• 优先使用配对匹配：特别是在小样本和高度持久变量的情况下，配对匹配是更优的选择。
• 注意变量选择与自由度：在进行变量平衡时，需权衡变量数量与自由度之间的关系，避免过度平衡导致统计功效下降。

结论

本文强调了在发展领域实验中，随机化方法的选择对实验结果的平衡和统计推断的重要性。通过模拟分析和对现有研究的回顾，作者指出再随机化方法在实际应用中可能不如其他方法有效，并建议研究人员在进行统计推断时应考虑随机化方法的影响。