Precision-based designs for sequential randomized experiments
基于精度的序贯随机实验设计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：研究围绕序贯随机实验中的平均处理效应估计、置信区间和检验功效展开，直接属于因果推断方向。
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
基于精度的序贯随机实验设计
- 研究问题
- 当实验单位依次进入时，如何设置停止规则，使处理效应估计达到预定精度，或针对给定处理效应获得目标检验功效？
- 方法与思路
- 作者提出固定置信区间宽度设计，在达到预设宽度时停止实验；另提出固定功效设计，无须预先指定处理组与对照组的结果方差。
- 材料陈述的贡献
- 摘要称若干设计版本下均值差估计一致，标准区间具有渐近覆盖与效率保证，固定功效设计还具有渐近功效保证，并提供模拟比较。
- 阅读关注点
- 应核对随机分配、停止规则及方差估计所需条件，区分渐近保证与有限样本表现，并检查效率和功效比较使用的基准。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实。摘要未给出具体正则条件、模拟数值或优势适用范围，不能推断普遍优越性。
原文摘要
In this paper, we consider an experimental setting where units enter the experiment sequentially. Our goal is to form stopping rules which lead to estimators of treatment effects with a given precision. We propose a fixed-width confidence interval design (FWCID) where the experiment terminates once a pre-specified confidence interval width is achieved. We show that under this design, the difference-in-means estimator is a consistent estimator of the average treatment effect and standard confidence intervals have asymptotic guarantees of coverage and efficiency for several versions of the design. In addition, we propose a version of the design that we call fixed power design (FPD) where a given power is asymptotically guaranteed for a given treatment effect, without the need to specify the variances of the outcomes under treatment or control. In addition, this design also gives a consistent difference-in-means estimator with correct coverage of the corresponding standard confidence interval. We complement our theoretical findings with Monte Carlo simulations where we compare our proposed designs with standard designs in the sequential experiments literature, showing that our designs outperform these designs in several important aspects. We believe our results to be relevant for many experimental settings where units enter sequentially, such as in clinical trials, as well as in online A/B tests used by the tech and e-commerce industry.