Adaptive Experiments Toward Learning Treatment Effect Heterogeneity
面向处理效应异质性学习的自适应实验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：摘要直接设计随机实验以识别处理效应异质性和高效应亚组，属于因果推断。
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…
关注这篇论文的作者
面向处理效应异质性学习的自适应实验
- 研究问题
- 如何专门设计随机实验以学习处理效应异质性，并在实验过程中根据累计结果调整数据收集，提高识别高效应亚组的效率？
- 方法与思路
- 作者提出响应自适应实验的设计与分析框架，依据实验中累计证据序贯更新数据收集机制，统一自适应富集与响应自适应随机分配。
- 材料陈述的贡献
- 摘要称，框架能更有效识别处理效应最大的亚组，并补充电商A/B测试和临床试验设计；作者提供理论说明及合成数据模拟支持。
- 阅读关注点
- 应核对适应性分配规则、探索与亚组筛选如何协调、效应估计及推断如何处理分配依赖，以及统计效率提升的比较基准与条件。
- 阅读边界
- 这是预印本，同行评审及期刊接收未核实。摘要未给出具体理论条件、误差控制或真实实验结果，效率结论不能外推至所有自适应设计。
原文摘要
Understanding treatment effect heterogeneity has become an increasingly popular task in various fields, as it helps design personalized advertisements in e-commerce or targeted treatment in biomedical studies. However, most of the existing work in this research area focused on either analyzing observational data based on strong causal assumptions or conducting post hoc analyses of randomized controlled trial data, and there has been limited effort dedicated to the design of randomized experiments specifically for uncovering treatment effect heterogeneity. In the manuscript, we develop a framework for designing and analyzing response adaptive experiments toward better learning treatment effect heterogeneity. Concretely, we provide response adaptive experimental design frameworks that sequentially revise the data collection mechanism according to the accrued evidence during the experiment. Such design strategies allow for the identification of subgroups with the largest treatment effects with enhanced statistical efficiency. The proposed frameworks not only unify adaptive enrichment designs and response-adaptive randomization designs but also complement A/B test designs in e-commerce and randomized trial designs in clinical settings. We demonstrate the merit of our design with theoretical justifications and in simulation studies with synthetic e-commerce and clinical trial data.