Double machine learning and design in batch adaptive experiments
批次自适应实验中的双重机器学习与实验设计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：摘要直接研究自适应实验中的处理效应估计与处理分配设计，因果推断是最明确的领域依据。
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
批次自适应实验中的双重机器学习与实验设计
- 研究问题
- 研究如何在多批次自适应实验中合并信息估计处理效应，并学习后续批次的处理分配概率以提高估计精度。
- 方法与思路
- 作者提出跨批次合并的半参数估计量，依据已有批次数据求解有限维凹最大化问题，并扩展双重机器学习处理自适应设计。
- 材料陈述的贡献
- 摘要称合并估计在渐近精度上优于单批次估计的聚合，并给出分配概率与干扰函数估计达到目标精度所需的收敛率。
- 阅读关注点
- 应核对两类因果目标的定义、跨批次依赖处理、分配概率的可行约束，以及两种四分之一次方收敛率要求的具体作用。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未列出完整正则条件，离散化损失的结论仅概述了数值研究。
原文摘要
We consider an experiment with at least two stages or batches and $O(N)$ subjects per batch. First, we propose a semiparametric treatment effect estimator that efficiently pools information across the batches, and show it asymptotically dominates alternatives that aggregate single batch estimates. Then, we consider the design problem of learning propensity scores for assigning treatment in the later batches of the experiment to maximize the asymptotic precision of this estimator. For two common causal estimands, we estimate this precision using observations from previous batches, and then solve a finite-dimensional concave maximization problem to adaptively learn flexible propensity scores that converge to suitably defined optima in each batch at rate $O_p(N^{-1/4})$. By extending the framework of double machine learning, we show this rate suffices for our pooled estimator to attain the targeted precision after each batch, as long as nuisance function estimates converge at rate $o_p(N^{-1/4})$. These relatively weak rate requirements enable the investigator to avoid the common practice of discretizing the covariate space for design and estimation in batch adaptive experiments while maintaining the advantages of pooling. Our numerical study shows that such discretization often leads to substantial asymptotic and finite sample precision losses outweighing any gains from design.