Minimax designs for causal effects in temporal experiments with treatment habituation
存在处理习惯化的时序实验中因果效应的极小极大设计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。
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：摘要明确研究存在重复处理暴露的随机实验设计及因果效应估计。
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
存在处理习惯化的时序实验中因果效应的极小极大设计
- 研究问题
- 当实验单位首次接受干预的效果较大、重复暴露后效果减弱时，如何设计跨期随机实验以估计相关因果效应？
- 方法与思路
- 作者在随机化因果推断框架下提出处理分配设计，将习惯化纳入分析，并在一大类实用设计中研究极小极大最优性。
- 材料陈述的贡献
- 摘要称，所提设计在考虑的设计类中具有极小极大最优性，且分析不对结果变量施加参数化建模假设。
- 阅读关注点
- 应核对习惯化与处理历史的形式化表示、目标因果效应、损失函数及比较设计类，并检查跨期依赖和其他效应的处理。
- 阅读边界
- 仅依据所给 Crossref 摘要；摘要未说明最优性的具体风险标准与设计边界，无参数化结果模型不等于无需其他假设。
原文摘要
Summary In many modern settings, such as an online marketplace, randomized experiments need to be executed over multiple time periods. In such temporal experiments, it has been observed that the effects of an intervention on an experimental unit may be large when the unit is first exposed to it, but then it attenuates after repeated exposures. This is typically due to units’ habituation to the intervention, or some other form of learning, such as when users gradually start to ignore repeated mails sent by a promotional campaign. This paper proposes randomized designs for estimating causal effects in temporal experiments when habituation is present. We show that our designs are minimax optimal in a large class of practical designs. Our analysis is based on the randomization framework of causal inference, and imposes no parametric modelling assumptions on the outcomes.