DARTS: Targeting Prognostic Covariates in Budget-Constrained Sequential Experiments
DARTS：预算受限序贯实验中的预后协变量选择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：摘要直接研究随机实验的平均处理效应、再随机化设计和自适应协变量选择下的因果推断。
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
DARTS：预算受限序贯实验中的预后协变量选择
- 研究问题
- 当处理前协变量的测量需要成本时，如何在序贯实验中分配测量预算，提升处理效应估计精度并保持随机化推断有效？
- 方法与思路
- 作者用预算约束的组合 Thompson 采样跨批次学习预后协变量，再将所选变量用于再随机化、回归调整和逆方差加权。
- 材料陈述的贡献
- 摘要称历史批次驱动的选择保持当批随机化有效性，累计估计具有至少名义渐近覆盖率，并给出接近极小极大界的风险界。
- 阅读关注点
- 应核对批次间信息使用限制、随机化与自适应选择的解耦证明、加权估计的覆盖条件，以及预算模型与风险界适用范围。
- 阅读边界
- 这是 arXiv 预印本，不能确认已评审或接收；摘要未提供定理条件及效率改善数值，渐近覆盖结论不等于有限样本保证。
原文摘要
Randomized controlled trials typically assume that prognostic covariates are known and available at no cost. In practice, obtaining high-dimensional pretreatment data is costly, forcing a trade-off between covariate-adaptive precision and a measurement budget. We introduce Dynamic Adaptive Rerandomization via Thompson Sampling (DARTS), which treats covariate acquisition as a sequential optimization problem embedded within a design-based causal inference task. A budgeted combinatorial Thompson sampler learns which covariates are most prognostic across successive batches; selected covariates then drive rerandomization and regression adjustment to reduce batch-level average treatment effect variance. Our primary theoretical contribution is a decoupling result: adaptive covariate selection based on past batches preserves batch-level randomization validity, and the cumulative inverse-variance weighted estimator achieves at least nominal asymptotic coverage. We further derive a Bayes risk bound for the acquisition layer that matches the minimax lower bound up to logarithmic factors. Empirically, DARTS systematically concentrates the budget on informative features, significantly closing the efficiency gap to oracle designs while maintaining strict inferential validity.