2011年4月
本文考虑了当治疗状态的分配是不完全随机的情况下,对一个方案对多个结果的影响进行推断的问题。通过不完全随机化,我们的意思是在初始随机化之后,根据分析人员可能观察到或未观察到的特征重新分配治疗状态。我们开发了一种部分识别方法来解决这个问题,该方法利用限制随机化不完美程度的信息来表明,在这种情况下,仍然有可能对程序的效果做出非平凡的推断。我们考虑一组零假设,其中每个零假设都指定程序对几个感兴趣的结果之一没有影响。在弱假设下,我们构建了一个程序来测试这个零假设族,以控制家族的错误率-甚至一个错误拒绝的概率-无限样本。我们在重新分析HighScope Perry学前教育项目的背景下开发了我们的方法。我们发现,即使在考虑了随机化的不完美性和零假设的多重性之后,该计划对许多不同的结果产生了统计上显著的影响,包括与男性和女性犯罪活动相关的结果。
下载
这些必要的cookie是激活网站核心功能所必需的。不能选择不使用这些技术。
为了进一步改善我们的报价和我们的网站,我们收集匿名数据进行统计和分析。在这些cookie的帮助下,我们可以,例如,确定访问者的数量和某些页面对我们网站的影响,并优化我们的内容。