Experimental Site Selection under Directional Distribution Shifts
方向性分布偏移下的实验地点选择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：摘要研究干预实验的地点选择及处理效应向部署人群推广的外部效度。
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
方向性分布偏移下的实验地点选择
- 研究问题
- 实验人群与政策部署人群可能沿特定方向系统性不同，如何选择研究地点，以降低多地点实验外部效度面临的风险？
- 方法与思路
- 作者以 Wasserstein 分布稳健优化选择地点，设计切平面算法，并在学校教育与农村小额信贷的半合成场景中评价。
- 材料陈述的贡献
- 摘要称方法对指定方向偏移提供极小极大保证与最优性结果，并在两个示例中降低偏差、均方误差及分布距离。
- 阅读关注点
- 应核对方向性偏移集合和半径如何设定、地点选择的约束，以及理论最优目标与半合成评价指标的关系。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；保证针对指定偏移，半合成中的人群偏斜设定不能视为已核实事实。
原文摘要
Multi-site studies are widely used across the social sciences, education, and medicine to learn the effects of interventions across heterogeneous populations. But deployment populations, on which a given intervention is implemented, may differ systematically from the experimental population on which the intervention is evaluated. I propose a method for selecting sites with minimax guarantees against directional distribution shifts, which allows the researcher to guard against specified threats to the external validity of a multi-site study. I use Wasserstein Distributionally Robust Optimization to select sites with guarantees against directional shifts, provide a novel cutting-plane algorithm to implement the approach, and prove its optimality with respect to minimizing worst-case shifts. I highlight the empirical performance of the method with with two semi-synthetic simulations: I re-analyse the Tennessee STAR experiment, under the assumption that the study population underrepresented low-SES schools, and \citet{Crepon_2015}, which assesses the impact of increasing access to microcredit in rural Morocco, under the assumption that the study population was skewed towards villages with larger market potential. In these examples, I show that the WDRO method minimizes mean bias, average mean squared error, and $W_1$ distance under specified directional distribution shifts.