Autores:  (1) Davide Viviano, Departamento de Economía, Universidad de Harvard;  (2) Lihua Lei, Escuela de Graduados en Negocios, Universidad de Stanford;  (3) Guido Imbens, Escuela de Graduados en Negocios y Departamento de Economía, Universidad de Stanford;  (4) Brian Karrer, FAIR, Meta;  (5) Okke Schrijvers, Ciencias Aplicadas de Meta Central;  (6) Liang Shi, Ciencias Aplicadas de Meta Central.  Tabla de enlaces   Resumen e introducción   Configuración   (¿Cuándo) deberías agruparte?   Elegir el diseño del cluster   Ilustración empírica y estudios numéricos.   Recomendaciones para la práctica   Referencias   A) Notación   B) Efectos endógenos entre pares   C) Pruebas  3 (¿Cuándo) deberías agruparte?   3.1 Sesgo del peor de los casos   3.2 Variación en el peor de los casos   El lema 3.2 establece que dos resultados obtenidos tienen covarianza cero si dos individuos (i) están en dos grupos diferentes, de modo que ninguno de los dos grupos contiene un amigo del otro individuo, y (ii) no son amigos ni comparten un amigo común ( set), y si no hay ningún amigo de j en un cluster que contiene un amigo de i (set Gi). Tenga en cuenta que el Lema 3.2 equivale a decir que µi(Di , D−i)[2Di − 1], µj (Dj , D−j )[2Dj − 1] tienen covarianza cero si Bi ∩ Bj = ∅. A continuación, analizamos las covarianzas para las unidades restantes.   (No observado A). Supongamos que A no se observa o se observa parcialmente, y que los investigadores tienen una prioridad sobre A. En este caso, la caracterización del sesgo y la varianza continúa manteniéndose una vez que tomamos las expectativas con respecto a la distribución de A, donde la prioridad sobre A puede depender sobre información parcial de la red [por ejemplo, Breza et al., 2020]. Observación 5  3.3 Comparación con un diseño de Bernoulli   ahora el número de conglomerados es de orden n (por ejemplo, los conglomerados contienen pocos individuos cada uno). Entonces el diseño del cluster es óptimo.  Tabla 1: Implicaciones prácticas del Teorema 3.5. La regla general se calcula para λ = 1, en presencia de conglomerados de igual tamaño con resultados que toman valores entre cero y uno, y el sesgo del agrupamiento es igual (o menor que) 50% (es decir, para cada individuo, el 50% de sus conexiones están en su mismo grupo). Aquí ψ¯ ≤ 4 cuando los resultados son binarios.   Para λ = 1, conocido como ψ¯, la regla general proporciona los efectos de desbordamiento más pequeños que garantizarían que el diseño de conglomerados domine al diseño de Bernoulli.  La última columna de la Tabla 1 recoge las implicaciones de la regla general, asumiendo (i) grupos de igual tamaño, (ii) el sesgo de la agrupación es como máximo del 50% como límite superior conservador, y (iii) los resultados están acotados entre cero y uno (en cuyo caso ψ¯ ≤ 4). En este contexto, los investigadores deberían realizar un experimento de conglomerados cuando ϕ¯ n √ Kn es mayor que 2,3 cuando ψ¯ = 4. La Figura 2 ilustra la regla general en función del sesgo y los conglomerados.   [10] La condición Kn/n = o(1), puede relajarse mediante una condición de muestra finita Kn ≤ nδ′ (ψ/ψ¯) para algunos δ ′ ∈ [0, 1). En particular, bajo los supuestos de la Sección 4.2, ψ = ψ¯ y la condición es equivalente a que una fracción fija de conglomerados tenga más de una observación.  Este documento está   bajo licencia CC 1.0. disponible en arxiv

EScholar Technologies

EScholar

Este audio es producido en el idioma original de la historia!

Demasiado Largo; Para Leer

Make resilience your competitive advantage

Equilibrio de sesgo y varianza en experimentos de red: ¿cuándo debería agruparse?

About Author

COMENTARIOS

ETIQUETAS

ESTE ARTÍCULO FUE PRESENTADO EN

Related Stories

Navegando por las aguas: desarrollo de aplicaciones RAG de nivel de producción con lagos de datos

El modelo Bitcoin UTXO, impulsando un ecosistema único

Una breve introducción a la teoría del cerebro de Boltzmann

Creación de productos criptográficos centrados en el usuario: la importancia de los comentarios de los clientes

Navegando por las aguas: desarrollo de aplicaciones RAG de nivel de producción con lagos de datos

El modelo Bitcoin UTXO, impulsando un ecosistema único

Una breve introducción a la teoría del cerebro de Boltzmann

Creación de productos criptográficos centrados en el usuario: la importancia de los comentarios de los clientes

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps