Online Testing of Subgroup Treatment Effects Based on Value Difference
基于价值差异的子群处理效应在线检验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：摘要明确研究 A/B 实验中的异质处理效应、获益子群与序贯检验。
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…
基于价值差异的子群处理效应在线检验
- 研究问题
- 在线 A/B 实验持续查看结果且处理效应存在异质性时，如何控制第一类错误，并检验是否有某个人群子集从处理中获益？
- 方法与思路
- 作者提出基于价值差异的序贯检验 SUBTLE，在检出获益子群存在后，使用估计的最优处理规则确定相应子群。
- 材料陈述的贡献
- 摘要称该方法允许持续监测，实验显示其控制任意时点的第一类错误、具有较高检出能力，并可能比固定期限检验更早停止。
- 阅读关注点
- 核对价值差异与零假设的定义、序贯错误控制条件、处理规则估计如何进入检验，以及检验后子群报告的不确定性。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未列出统计保证的完整条件，检出获益子群存在不等于精确识别全部成员。
原文摘要
Online A/B testing plays a critical role in the high-tech industry to guide product development and accelerate innovation. It performs a null hypothesis statistical test to determine which variant is better. However, a typical A/B test presents two problems: (i) a fixed-horizon framework inflates the false-positive errors under continuous monitoring; (ii) the homogeneous effects assumption fails to identify a subgroup with a beneficial treatment effect. In this paper, we propose a sequential test for subgroup treatment effects based on value difference, named SUBTLE, to address these two problems simultaneously. The SUBTLE allows the experimenters to "peek" at the results during the experiment without harming the statistical guarantees. It assumes heterogeneous treatment effects and aims to test if some subgroup of the population will benefit from the investigative treatment. If the testing result indicates the existence of such a subgroup, a subgroup will be identified using a readily available estimated optimal treatment rule. We examine the empirical performance of our proposed test on both simulations and a real dataset. The results show that the SUBTLE has high detection power with controlled type I error at any time, is more robust to noise covariates, and can achieve early stopping compared with the corresponding fixed-horizon test.