Adaptive Neyman Allocation
自适应 Neyman 分配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：摘要围绕随机实验的处理效应估计与处理、对照分配设计展开。
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 Neyman 分配
- 研究问题
- 处理组与对照组的结果标准差事先未知时，如何利用多阶段实验已收集的数据调整分配比例，降低处理效应估计方差？
- 方法与思路
- 作者建立竞争分析框架，以前期观测估计组别标准差并指导后期分配，提出简单的自适应 Neyman 算法及配套估计推断理论。
- 材料陈述的贡献
- 摘要称算法接近实验实施的信息论极限，并提供自适应分配数据的估计与推断理论，以社交媒体实验数据和合成数据展示效果。
- 阅读关注点
- 应核对竞争基准与信息论极限的定义、阶段划分和分配规则，以及自适应取样如何影响估计量、标准误和统计推断。
- 阅读边界
- 所据为 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明接近极限的具体界、适用分布条件及实证改善幅度。
原文摘要
In the experimental design literature, Neyman allocation refers to the practice of allocating units into treated and control groups, potentially in unequal numbers proportional to their respective standard deviations, with the objective of minimizing the variance of the treatment effect estimator. This widely recognized approach increases statistical power in scenarios where the treated and control groups have different standard deviations, as is often the case in social experiments, clinical trials, marketing research, and online A/B testing. However, Neyman allocation cannot be implemented unless the standard deviations are known in advance. Fortunately, the multi-stage nature of the aforementioned applications allows the use of earlier stage observations to estimate the standard deviations, which further guide allocation decisions in later stages. In this paper, we introduce a competitive analysis framework to study this multi-stage experimental design problem. We propose a simple adaptive Neyman allocation algorithm, which almost matches the information-theoretic limit of conducting experiments. We provide theory for estimation and inference using data collected from our adaptive Neyman allocation algorithm. We demonstrate the effectiveness of our adaptive Neyman allocation algorithm using both online A/B testing data from a social media site and synthetic data.