ABSTRAK
Percobaan acak adalah standar emas untuk memperkirakan efek perlakuan, dan pengacakan berfungsi sebagai dasar yang beralasan untuk inferensi. Dalam percobaan acak berstrata yang banyak digunakan, teori asimtotik populasi terbatas berbasis pengacakan memungkinkan inferensi yang valid untuk efek perlakuan rata-rata, dengan mengandalkan aproksimasi normal dan penduga varians konservatif tipe Neyman. Namun, ketika ukuran sampel kecil atau hasilnya miring, penduga varians tipe Neyman dapat menjadi terlalu konservatif, dan aproksimasi normal dapat gagal. Untuk mengatasi masalah ini, kami mengusulkan penduga varians tajam dan dua metode bootstrap kausal untuk lebih akurat memperkirakan distribusi sampel dari penduga perbedaan rata-rata tertimbang dalam percobaan acak berstrata. Prosedur bootstrap kausal pertama didasarkan pada imputasi pelestarian peringkat, dan kami membuktikan penyempurnaan orde kedua atas aproksimasi normal. Prosedur bootstrap kausal kedua didasarkan pada imputasi efek perlakuan konstan dan selanjutnya berlaku dalam percobaan berpasangan. Berbeda dengan metode bootstrap tradisional, di mana keacakan berasal dari pengambilan sampel superpopulasi hipotetis, analisis kami untuk bootstrap kausal yang diusulkan didasarkan pada pengacakan, yang hanya mengandalkan keacakan penugasan perlakuan dalam eksperimen acak. Studi numerik dan dua aplikasi data nyata menunjukkan keunggulan metode yang kami usulkan dalam sampel terbatas. Paket R CausalBootstrap yang mengimplementasikan metode kami tersedia untuk umum.