Reinforcing RCTs with Multiple Priors while Learning about External Validity
利用多重先验强化随机对照试验并学习外部有效性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：题名与摘要聚焦随机试验、处理选择及实验信息的外部有效性。
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
利用多重先验强化随机对照试验并学习外部有效性
- 研究问题
- 如何把既往实验、专家意见或实验者判断纳入序贯实验设计，同时识别缺乏外部有效性的信息并控制错误处理选择？
- 方法与思路
- 作者把不同信息来源分别映射为贝叶斯模型，再依据后验概率进行聚合，并从参数学习、处理误选概率和平均回报评价策略。
- 材料陈述的贡献
- 摘要称，该框架能对缺乏外部有效性的信息来源保持稳健，同时具有较强的有限样本表现，并兼顾三项策略评价目标。
- 阅读关注点
- 应核对先验来源的模型化、后验聚合规则、序贯分配策略，以及外部有效性不足时稳健结论的定义和成立条件。
- 阅读边界
- 所据为 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未说明具体策略、稳健性条件或有限样本比较数值。
原文摘要
This paper introduces a framework for incorporating prior information into the design of sequential experiments. These sources may include past experiments, expert opinions, or the experimenter's intuition. We model the problem using a multi-prior Bayesian approach, mapping each source to a Bayesian model and aggregating them based on posterior probabilities. Policies are evaluated on three criteria: learning the parameters of payoff distributions, the probability of choosing the wrong treatment, and average rewards. Our framework demonstrates several desirable properties, including robustness to sources lacking external validity, while maintaining strong finite sample performance.