Design-Based Anytime-Valid Inference for Randomized Experiments with Delayed Outcomes and Staggered Entry
延迟结局与错峰入组随机实验的设计型随时有效推断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：摘要研究随机实验的反事实治疗效应、IPW/AIPW 估计及可持续监测的置信序列。
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
延迟结局与错峰入组随机实验的设计型随时有效推断
- 研究问题
- 当受试单位错峰入组且结局发生时间受治疗影响时，如何持续监测截至某日的反事实累计增量收益，并保持设计型推断有效？
- 方法与思路
- 作者按实验组分别构造事件时间滤过，使组内 IPW 误差具有鞅性质，再以联合界合并置信序列，并刻画保持该性质的 AIPW 增广。
- 材料陈述的贡献
- 摘要指出治疗效应 IPW 误差的鞅构造障碍，提出分组置信序列方案，并称其可优于传统设计型方差上界，同时适应异质性与非平稳环境。
- 阅读关注点
- 应核对累计收益的反事实定义、分组滤过与随机化信息结构，以及联合界覆盖保证、允许的增广形式和比较优势成立的条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出置信序列公式与完整设计条件，也未量化相对传统方差界的改善。
原文摘要
Delayed outcomes are ubiquitous in online experimentation: treatment can affect whether an outcome occurs, when it occurs, and its realized value. To accommodate staggered entry while remaining robust to environmental nonstationarity and unit-level heterogeneity, we adopt a design-based perspective and target the sample cumulative reward in each arm as a function of calendar time. Our confidence sequences allow practitioners to continuously monitor the counterfactual incremental reward, such as revenue, that would have been realized by calendar time $t$ had all entered units been assigned to treatment rather than control. The main technical challenge is the choice of design-based filtration, complicated by the presence of asynchronous potential outcome times. We show that the IPW treatment-effect estimation error is not a martingale with respect to any filtration, while each arm-specific IPW estimation error is a martingale with respect to a carefully chosen arm-specific event-time filtration. We therefore construct a confidence sequence for the treatment effect by combining two arm-level confidence sequences with a union bound, and further demonstrate that this can outperform the traditional design-based variance upper bound. Finally, we characterize the class of augmentations for which the per-arm AIPW estimation error remains a martingale.