Clip-OGD: An Experimental Design for Adaptive Neyman Allocation in Sequential Experiments
Clip-OGD：序贯实验中自适应 Neyman 分配的实验设计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：摘要明确研究潜在结果框架下的自适应随机实验设计、处理效应精度和置信区间。
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…
Clip-OGD：序贯实验中自适应 Neyman 分配的实验设计
- 研究问题
- 在序贯随机实验中，能否仅利用逐步获得的信息调整处理分配，使估计精度接近知道全部潜在结果的最优 Neyman 设计？
- 方法与思路
- 作者在设计型潜在结果框架中定义 Neyman 比率和遗憾指标，借鉴在线优化提出 Clip-OGD，并构造保守方差估计量。
- 材料陈述的贡献
- 摘要称，忽略对数因子后的期望遗憾上界为平方根样本量阶，可渐近恢复最优 Neyman 方差，并构建渐近有效置信区间。
- 阅读关注点
- 应核对分配概率的截断规则、潜在结果及序贯设计条件、遗憾与方差效率的联系，以及保守方差估计支持的渐近推断。
- 阅读边界
- 这是 arXiv 预印本，同行评审状态未经核实。摘要未列出理论条件，渐近效率不代表有限样本中总能优于非自适应设计。
原文摘要
From clinical development of cancer therapies to investigations into partisan bias, adaptive sequential designs have become increasingly popular method for causal inference, as they offer the possibility of improved precision over their non-adaptive counterparts. However, even in simple settings (e.g. two treatments) the extent to which adaptive designs can improve precision is not sufficiently well understood. In this work, we study the problem of Adaptive Neyman Allocation in a design-based potential outcomes framework, where the experimenter seeks to construct an adaptive design which is nearly as efficient as the optimal (but infeasible) non-adaptive Neyman design, which has access to all potential outcomes. Motivated by connections to online optimization, we propose Neyman Ratio and Neyman Regret as two (equivalent) performance measures of adaptive designs for this problem. We present Clip-OGD, an adaptive design which achieves $\widetilde{O}(\sqrt{T})$ expected Neyman regret and thereby recovers the optimal Neyman variance in large samples. Finally, we construct a conservative variance estimator which facilitates the development of asymptotically valid confidence intervals. To complement our theoretical results, we conduct simulations using data from a microeconomic experiment.