Optimistic Algorithms for Adaptive Estimation of the Average Treatment Effect
平均处理效应自适应估计的乐观算法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：摘要直接研究平均处理效应、增广逆概率加权估计及自适应因果推断。
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…
平均处理效应自适应估计的乐观算法
- 研究问题
- 在自适应采样下估计平均处理效应时，如何兼顾有限样本中的探索与利用，并发挥增广逆概率加权估计量的潜力？
- 方法与思路
- 作者围绕增广逆概率加权估计量分析自适应采样，引入类似多臂老虎机乐观原则的算法设计，并考察理论和经验表现。
- 材料陈述的贡献
- 摘要称，研究揭示了纯渐近分析容易掩盖的挑战，提出新的自适应算法，并相对既有方法获得理论及经验上的改进。
- 阅读关注点
- 应核对采样决策依赖何种历史信息、乐观原则的具体实现，以及有限样本性能标准和自适应条件下推断有效性的条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；摘要未说明算法细节、理论界或实验数值，不能据此量化改进幅度。
原文摘要
Estimation and inference for the Average Treatment Effect (ATE) is a cornerstone of causal inference and often serves as the foundation for developing procedures for more complicated settings. Although traditionally analyzed in a batch setting, recent advances in martingale theory have paved the way for adaptive methods that can enhance the power of downstream inference. Despite these advances, progress in understanding and developing adaptive algorithms remains in its early stages. Existing work either focus on asymptotic analyses that overlook exploration-exploitation tradeoffs relevant in finite-sample regimes or rely on simpler but suboptimal estimators. In this work, we address these limitations by studying adaptive sampling procedures that take advantage of the asymptotically optimal Augmented Inverse Probability Weighting (AIPW) estimator. Our analysis uncovers challenges obscured by asymptotic approaches and introduces a novel algorithmic design principle reminiscent of optimism in multiarmed bandits. This principled approach enables our algorithm to achieve significant theoretical and empirical gains compared to prior methods. Our findings mark a step forward in advancing adaptive causal inference methods in theory and practice.