Active Adaptive Experimental Design for Treatment Effect Estimation with Covariate Choices
可选择协变量的主动自适应处理效应实验设计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估计、处理分配概率及自适应实验设计。
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…
可选择协变量的主动自适应处理效应实验设计
- 研究问题
- 在逐轮抽取实验单位、分配处理并立即观测结果的实验中，如何同时选择协变量分布与处理概率以提高平均处理效应估计效率？
- 方法与思路
- 作者推导使半参数效率界最小的协变量密度与处理概率，逐轮估计并更新两者，再构造相应的平均处理效应估计量。
- 材料陈述的贡献
- 摘要称联合优化优于仅优化处理概率，并提出自适应实验及渐近方差达到所推导最小半参数效率界的估计量。
- 阅读关注点
- 应核对目标总体与实验抽样分布的关系、协变量选择的可实施性，以及自适应更新和达到效率界所需的条件。
- 阅读边界
- 这是预印本，不能认定已同行评审或期刊接收；摘要未说明支持集、抽样成本与正则条件，也未提供有限样本表现。
原文摘要
This study designs an adaptive experiment for efficiently estimating average treatment effects (ATEs). In each round of our adaptive experiment, an experimenter sequentially samples an experimental unit, assigns a treatment, and observes the corresponding outcome immediately. At the end of the experiment, the experimenter estimates an ATE using the gathered samples. The objective is to estimate the ATE with a smaller asymptotic variance. Existing studies have designed experiments that adaptively optimize the propensity score (treatment-assignment probability). As a generalization of such an approach, we propose optimizing the covariate density as well as the propensity score. First, we derive the efficient covariate density and propensity score that minimize the semiparametric efficiency bound and find that optimizing both covariate density and propensity score minimizes the semiparametric efficiency bound more effectively than optimizing only the propensity score. Next, we design an adaptive experiment using the efficient covariate density and propensity score sequentially estimated during the experiment. Lastly, we propose an ATE estimator whose asymptotic variance aligns with the minimized semiparametric efficiency bound.