Optimal Covariate Discretization in Adaptive Randomized Experiments
自适应随机实验中的最优协变量离散化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。
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：摘要明确研究随机实验设计、倾向得分及平均处理效应估计精度。
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
自适应随机实验中的最优协变量离散化
- 研究问题
- 在有先导阶段或多个阶段的随机实验中，协变量离散化如何影响后续处理分配及平均处理效应估计的精度？
- 方法与思路
- 作者分析离散化通过下一阶段估计倾向得分影响精度的机制，并提出利用bootstrap寻找最优离散化程度的算法。
- 材料陈述的贡献
- 摘要称提出适用于自适应随机实验的离散化选择方法，模拟与真实数据应用显示其表现良好，但未给出具体改善幅度。
- 阅读关注点
- 应核对最优性的目标函数、离散化候选集合、bootstrap如何处理跨阶段依赖，以及最终效应推断是否计入选择过程。
- 阅读边界
- 仅据所给Crossref版本摘要；随机化约束、算法细节及应用数据未说明，不能判断普遍最优性或推断刊本变化。
原文摘要
ABSTRACT This paper introduces a novel method to adaptively design randomized experiments. For randomized experiments with a pilot stage, or multistage experiments, Hahn et al. (2011) propose an adaptive experimental design that adjusts the next stage's propensity score based on data from the previous stages. This paper discusses how the discretization of covariates affects the precision of the estimation of the average treatment effect (ATE) through the estimated propensity score for the next stage. Also, this paper proposes an algorithm using the bootstrap technique to find the optimal level of discretization of covariates. Monte Carlo simulations and an application with actual data show that the suggested method performs well.