Valuing Winners: When and How to Correct for Selection Bias in Randomized Experiments
评估胜出方案：何时及如何校正随机实验中的选择偏差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：摘要关注随机实验中处理方案的选择、效果评估与部署遗憾，直接关联因果实验的决策和推断。
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…
评估胜出方案：何时及如何校正随机实验中的选择偏差
- 研究问题
- 从随机实验中部署表现最好的处理时，如何区分相对真实最优方案和相对所选方案真实均值的赢家诅咒，并匹配校正目标？
- 方法与思路
- 作者建立全局与选择性偏差及部署遗憾的评价框架，在多臂模拟和平台校准数据中比较方法，并提出自适应经验似然区间。
- 材料陈述的贡献
- 摘要定义七项决策相关评价目标，报告方法表现随处理差异而变化、无统一占优方法，并提出具有渐近有效性的经验似然区间。
- 阅读关注点
- 核对两个赢家诅咒目标与遗憾的关系、各方法比较所用损失和区间目标，以及自适应经验似然的有效性条件与有限样本表现。
- 阅读边界
- 这是 arXiv 预印本，同行评审与接收状态未核验；摘要中的方法优势限于所述比较场景，未给出完整数值或区间有效性条件。
原文摘要
Decision-makers often deploy the best-performing treatment from a randomized experiment, creating a winner's curse: selection favors treatments whose observed outcomes are high partly because of statistical noise, so the naïve estimate of the winner is upward biased. We distinguish two forms of winner's curse, bias relative to the true best treatment (global) and bias relative to the selected treatment's true mean (selective), and link them to regret from deploying a suboptimal treatment. This framework defines seven decision-relevant evaluation targets: mean bias, mean squared error, and confidence interval coverage for the global and selective winner's curse, and mean regret. We then show that methods that perform well on one target can perform poorly on others, so corrections should be matched to the manager's objective. Across simulations with varying effect sizes, multiple-arm settings, and data calibrated to an online A/B testing platform, no method dominates uniformly: the plug-in estimator performs best when treatment differences are large, cross-fitting performs best when treatments are similar, and resampling methods often achieve low mean squared error for moderate differences. We also introduce an adaptive empirical likelihood procedure that delivers asymptotically valid confidence intervals across settings without the tuning sensitivity of resampling-based methods.