Target-Weighted Neyman Allocation: Experimental Design for Heterogeneous Treatment Effects under Population Shift
目标加权 Neyman 分配：总体迁移下异质性处理效应的实验设计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：摘要直接研究随机实验设计及异质性组平均处理效应的目标总体精度，属于因果推断。
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…
关注这篇论文的作者
目标加权 Neyman 分配：总体迁移下异质性处理效应的实验设计
- 研究问题
- 当实验人群与实际部署人群的组成不同，如何分配各组样本量和处理概率，以提高目标加权组平均处理效应的估计精度？
- 方法与思路
- 作者提出两阶段分层设计，利用先导样本估计组别与处理臂的结果方差，再结合部署权重配置后续样本，并扩展至目标组成不确定情形。
- 材料陈述的贡献
- 摘要称最优分配具有闭式表达，代入规则随先导方差估计稳定而恢复该分配；另区分目标权重稳健性与先导数据稳健性。
- 阅读关注点
- 应核对精度目标与预算约束、最优分配的适用条件，以及部署权重未知、罕见事件或污染数据下两类稳健设计的具体差别。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未说明先导样本要求、方差稳定条件及性能增益的具体数值和适用范围。
原文摘要
Randomized experiments are often run in one population to guide decisions in another. Allocating by experimental proportions wastes budget on groups that rarely appear in deployment, whereas allocating by deployment proportions under-samples groups that are hard to measure precisely. We propose \textbf{TWNA} (Target-Weighted Neyman Allocation), a two-stage stratified design that uses pilot estimates of group--arm outcome variances to allocate final-stage sample sizes and treatment probabilities for target-weighted group average treatment effect (GATE) precision. The oracle rule has a closed form and balances deployment importance with statistical difficulty; the plug-in rule recovers it as pilot variance estimates stabilize. We also extend TWNA to handle uncertainty about deployment composition, remaining robust whether the target mix is roughly known or entirely unknown. Finally, we distinguish this weight robustness from a pilot-robust variant for skewed, rare-event, or contaminated outcomes. Simulations and real-covariate benchmarks show the largest gains when groups are both deployment-important and difficult to measure.