Using Prior Studies to Design Experiments: An Empirical Bayes Approach
利用既有研究设计实验：经验贝叶斯方法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：摘要以分层随机实验的处理分配设计为主要示例，直接关联因果推断；经验贝叶斯和元分析本身无对应细分标签。
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
利用既有研究设计实验：经验贝叶斯方法
- 研究问题
- 如何把相关既有研究的参数估计转化为新实验的信息先验，并据此选择更有效率的设计，设计损失会怎样随既有研究数量变化？
- 方法与思路
- 作者以经验贝叶斯估计目标参数先验，纳入决策理论实验设计框架，并以分层随机实验中的倾向得分设计说明实施方式。
- 材料陈述的贡献
- 摘要称既有研究数量增长时设计达到预言机最优表现，并刻画遗憾消失速率；肿瘤药物试验与 STAR 实验用于展示方法。
- 阅读关注点
- 应核对既有研究与新研究的可比性要求、先验估计误差如何进入设计目标，以及最优性基准、损失函数和遗憾速率的条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未经核实；摘要未说明跨研究异质性的处理或实际效率增益，不能保证不相关研究也有帮助。
原文摘要
We develop an empirical Bayes framework for experimental design that leverages information from prior related studies. When a researcher has access to estimates from previous studies on similar parameters, they can use empirical Bayes to estimate an informative prior over the parameter of interest in the new study. We show how this prior can be incorporated into a decision-theoretic experimental design framework to choose optimal design. The approach is illustrated via propensity score designs in stratified randomized experiments. Our theoretical results show that the empirical Bayes design achieves oracle-optimal performance as the number of prior studies grows, and characterize the rate at which regret vanishes. To illustrate the approach, we present two empirical applications--oncology drug trials and the Tennessee Project STAR experiment. Our framework connects the Bayesian meta-analysis literature to experimental design and provides practical guidance for researchers seeking to design more efficient experiments.