Design-Driven Inference for Online Experiments: Jointly Optimal Evidence Collection, Testing, and Estimation
在线实验的设计驱动推断：证据收集、检验与估计的联合最优性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：摘要直接研究实验分配、处理效应估计和在线实验停止规则。
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…
在线实验的设计驱动推断：证据收集、检验与估计的联合最优性
- 研究问题
- 在线多因素实验如何在持续监测下，对实际可忽略的效应尽早停止，同时控制错误停止并保持效应估计精度？
- 方法与思路
- 作者联合选择实验分配和证据规则，结合区组正交设计、各向同性分配、径向 e 值及分批复制的 e 过程。
- 材料陈述的贡献
- 摘要称，在所设信息预算和最坏情形准则下实现检验与估计的双重最优性，并保留随时有效的监测性质。
- 阅读关注点
- 应核对停止假设的定义、最小最大准则和信息预算，以及完整预设实验的估计最优性是否适用于提前停止样本。
- 阅读边界
- 依据 arXiv v1 预印本摘要，不能据此声称已同行评审或期刊接收；最优性条件、证明和收益幅度需查全文。
原文摘要
Online multifactorial experiments requires early stopping for practically negligible effects while controlling false stopping under continuous monitoring and retaining precise treatment-effect estimation. We develop a design-driven framework that chooses allocation and the evidence rule jointly, treating allocation as evidence collection and testing and estimation as complementary uses of the same evidence. For multifactor experiments with nuisance block effects and treatment-by-block interactions, we show that block-orthogonal designs remove nuisance contamination from the treatment score and form a complete class for worst-case evidence growth. Under a fixed information budget, an isotropic allocation and an explicit radial e-value jointly attain the minimax rate optimal for directionally unknown alternatives. The same allocation is universally optimal for maximum likelihood estimation of treatment effects, simultaneously achieving A-, D-, and E-optimality and establishing double optimality for testing and estimation. Batchwise replication yields an anytime-valid e-process, retains minimax rate optimality for cumulative conditional worst-case evidence growth, and preserves universal estimation optimality for the prespecified complete experiment. Simulations and a large language model prompt experiment illustrate gains in stopping efficiency and estimation precision.