Just Ramp-up: Debiasing Regression-based Estimator for A/B Tests under Network Interference
逐步放量即可：网络干扰下 A/B 测试回归估计量的去偏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：摘要直接研究网络干扰下随机实验的全局处理效应，并分析跨放量阶段合并数据如何减少因果估计偏差。
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
逐步放量即可：网络干扰下 A/B 测试回归估计量的去偏
- 研究问题
- 网络干扰使单次 A/B 实验估计存在偏差时，能否合并处理比例不同的逐步放量实验，更准确地估计全局平均处理效应？
- 方法与思路
- 作者合并不同放量阶段的数据训练回归，分析线性估计量的偏差与方差，并讨论簇随机化的协同及图神经网络估计的扩展。
- 材料陈述的贡献
- 摘要称，跨阶段合并能在超出一阶邻居的干扰下减少回归偏差，给出其作用机制，并以多种模拟展示估计准确性的改善。
- 阅读关注点
- 应核对全局效应的定义、跨阶段网络和结果机制是否稳定、时间变化或遗留效应的处理，以及处理比例选择与外推误差。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未列明去偏条件，模拟改善不能直接保证实际放量实验中的无偏性。
原文摘要
Network interference complicates A/B testing on online platforms, such as social networks and marketplaces, where causal methods based on single experiments often suffer from significant bias due to complex interference patterns. This paper demonstrates the statistical benefits of merging data from multiple experiments with varying treatment proportions. Sequential experimentation with increasing traffic, or ramp-up, is widely used in tech companies for risk management and cost control. Beyond operational benefits, we show that regression-based estimators trained on merged data achieve substantial bias reduction, even under simple randomization schemes and regression models. We focus on the global average treatment effect (GATE), a key estimand in the tech industry, and consider a general interference pattern that extends beyond the 1-hop setting. We present a closed-form bias variance analysis of the linear regression estimator and show that, in practical settings, the bias term dominates. Moreover, we characterize how merging data across ramp-up stages improves regression training and reduces bias. We also offer an intuitive explanation for this reduction and highlight the synergy between cluster-level randomization and our approach. Furthermore, we consider a refined estimator based on graph neural networks (GNN). Extensive simulations across challenging scenarios confirm that our methodology significantly improves the accuracy of regression-based estimators.