Treatment Effect Detection with Controlled FDR under Dependence for Large-Scale Experiments
依赖条件下控制错误发现率的大规模实验处理效应检测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：摘要以随机对照 A/B 实验中的平均处理效应检测为核心问题，直接涉及因果效应推断与多重检验。
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
依赖条件下控制错误发现率的大规模实验处理效应检测
- 研究问题
- 在大规模 A/B 实验中，多个处理效应检验存在依赖时，如何提高平均处理效应的检测功效并控制错误发现率？
- 方法与思路
- 作者提出处理效应检测方法，通过模拟和真实实验数据考察错误发现率与功效，并讨论可扩展性及其他多重检验方法。
- 材料陈述的贡献
- 摘要称所提方法可在保持较低错误发现率的同时提高检测功效，并提供与 knockoff、AdaPT 等方法的比较。
- 阅读关注点
- 应核对方法允许的依赖结构、错误发现率控制的理论依据、处理效应统计量，以及模拟与真实实验的比较口径。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核实；摘要未说明算法和保证条件，不能推断其适用于任意依赖结构。
原文摘要
Online controlled experiments (also known as A/B Testing) have been viewed as a golden standard for large data-driven companies since the last few decades. The most common A/B testing framework adopted by many companies use "average treatment effect" (ATE) as statistics. However, it remains a difficult problem for companies to improve the power of detecting ATE while controlling "false discovery rate" (FDR) at a predetermined level. One of the most popular FDR-control algorithms is BH method, but BH method is only known to control FDR under restrictive positive dependence assumptions with a conservative bound. In this paper, we propose statistical methods that can systematically and accurately identify ATE, and demonstrate how they can work robustly with controlled low FDR but a higher power using both simulation and real-world experimentation data. Moreover, we discuss the scalability problem in detail and offer comparison of our paradigm to other more recent FDR control methods, e.g., knockoff, AdaPT procedure, etc.