Improving Sensitivity in A/B Tests: Integrating CUPED with Trimmed Mean Techniques
提高 A/B 检验灵敏度：结合 CUPED 与截尾均值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：摘要直接讨论在线 A/B 随机实验的处理效应及假设检验，因此最直接归入因果推断方向。
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
提高 A/B 检验灵敏度：结合 CUPED 与截尾均值
- 研究问题
- 在线随机实验指标零膨胀、偏斜或重尾时，如何同时利用实验前信息降低方差与截尾均值的稳健性来提高检验灵敏度？
- 方法与思路
- 作者将利用实验前数据调整的 CUPED 与采用截尾均值的 Yuen 检验结合，提出协调方差缩减和稳健位置度量的框架。
- 材料陈述的贡献
- 摘要称组合方法可用更小样本检测显著效应，在高偏斜或高方差指标下提高实验决策效率，并兼顾统计功效。
- 阅读关注点
- 应核对截尾比例、调整与截尾的顺序，以及检验实际针对的效应参数；检查零膨胀场景下的尺寸控制和功效比较设计。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核实；摘要未给出检验条件和数值证据，截尾均值效应与原始均值效应也需区分。
原文摘要
Accurate estimation of treatment effects in online A/B testing is challenging with zero-inflated and skewed metrics. Traditional tests, like Welch's t-test, often lack sensitivity with heavy-tailed data due to their reliance on means, as opposed to e.g., percentiles. The Controlled Experiments Using Pre-experiment Data (CUPED) technique improves sensitivity by reducing variance, yet that variance reduction is insufficient for highly skewed metrics. Alternatively, Yuen's t-test uses trimmed means to robustly handle outliers and skewness. This paper introduces a method that combines the variance reduction of CUPED with the robustness of Yuen's t-test to enhance hypothesis testing sensitivity. Our novel approach integrates trimmed data in a principled manner, offering a framework that balances variance reduction with robust location measures. We demonstrate improved detection of significant effects with smaller sample sizes, enabling quicker experimental decisions without sacrificing statistical power. This work broadens the utility of controlled experiments in environments characterized by highly skewed or high-variance data.