Efficient Adaptive Experimentation with Noncompliance
存在不依从时的高效自适应实验AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究不依从实验中的工具变量、平均处理效应与自适应因果推断。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
存在不依从时的高效自适应实验
- 研究问题
- 当实验只能通过二元工具变量鼓励接受处理时，如何设计依赖历史的自适应分配政策，以提高平均处理效应估计效率？
- 方法与思路
- 作者推导任意历史依赖政策下的半参数效率界，提出兼顾结果噪声与依从变异的分配规则，并结合在线策略和影响函数估计。
- 材料陈述的贡献
- 摘要称，AMRIV 可达到效率界并保持多重稳健一致性，另给出渐近正态性、收敛速率及允许序贯推断的渐近置信序列。
- 阅读关注点
- 应优先核对二元工具变量识别 ATE 所需的额外条件，再检查自适应政策的探索要求、多重稳健结构及置信序列保证。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明 ATE 识别条件，不能仅凭鼓励设计认定平均效应可识别。
原文摘要
We study the problem of estimating the average treatment effect (ATE) in adaptive experiments where treatment can only be encouraged -- rather than directly assigned -- via a binary instrumental variable. Building on semiparametric efficiency theory, we derive the efficiency bound for ATE estimation under arbitrary, history-dependent instrument-assignment policies, and show it is minimized by a variance-aware allocation rule that balances outcome noise and compliance variability. Leveraging this insight, we introduce AMRIV -- an Adaptive, Multiply-Robust estimator for Instrumental-Variable settings with variance-optimal assignment. AMRIV pairs (i) an online policy that adaptively approximates the optimal allocation with (ii) a sequential, influence-function-based estimator that attains the semiparametric efficiency bound while retaining multiply-robust consistency. We establish asymptotic normality, explicit convergence rates, and anytime-valid asymptotic confidence sequences that enable sequential inference. Finally, we demonstrate the practical effectiveness of our approach through empirical studies, showing that adaptive instrument assignment, when combined with the AMRIV estimator, yields improved efficiency and robustness compared to existing baselines.