Leveraging LLMs to Improve Experimental Design: A Generative Stratification Approach
利用大语言模型改善实验设计：生成式分层方法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：摘要研究随机实验的事前分层设计，以降低治疗效应估计方差为直接目标。
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…
关注这篇论文的作者
利用大语言模型改善实验设计：生成式分层方法
- 研究问题
- 实验设计阶段拥有大量协变量、难以决定分层时的变量选择与权重时，能否借助大语言模型提高效应估计精度？
- 方法与思路
- 作者提出生成式分层程序，用大语言模型综合高维协变量信息形成实验分层，并考察与常规分层方法结合的效果。
- 材料陈述的贡献
- 摘要称在所研究实验中，相比简单随机化，该方法可使治疗效应估计方差降低百分之十至五十，并可结合标准分层。
- 阅读关注点
- 核对模型输入与生成目标、是否仅使用实验前信息，以及所述方差下降的评估方式、比较基准和跨实验稳定性。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；方差降幅是摘要报告的应用结果，模型细节及外推范围未说明。
原文摘要
Pre-experiment stratification, or blocking, is a well-established technique for designing more efficient experiments and increasing the precision of the experimental estimates. However, when researchers have access to many covariates at the experiment design stage, they often face challenges in effectively selecting or weighting covariates when creating their strata. This paper proposes a Generative Stratification procedure that leverages Large Language Models (LLMs) to synthesize high-dimensional covariate data to improve experimental design. We demonstrate the value of this approach by applying it to a set of experiments and find that our method would have reduced the variance of the treatment effect estimate by 10%-50% compared to simple randomization in our empirical applications. When combined with other standard stratification methods, it can be used to further improve the efficiency. Our results demonstrate that LLM-based simulation is a practical and easy-to-implement way to improve experimental design in covariate-rich settings.