Prior-Free Sample Size Design for Test-and-Roll Experiments
试验后推广实验的无先验样本量设计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：摘要研究处理比较实验及后续处理推广的样本量与福利权衡，直接关联因果实验设计。
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
试验后推广实验的无先验样本量设计
- 研究问题
- 有限总体中先试验再推广较优处理时，如何选择实验样本量，以平衡推广决策的信息收益与实验期间分配较差处理的福利损失？
- 方法与思路
- 作者提出最坏情形边际收益 WMB 规则，比较新增一对匹配实验单位的最坏情形收益与探索成本，并分析伯努利和高斯结局。
- 材料陈述的贡献
- 摘要称绝对极小极大遗憾可能导致实验过小；WMB 在限定伯努利情形下近似、在已知共同方差高斯情形下精确给出三分之一基准。
- 阅读关注点
- 应核对福利和边际成本定义、匹配对设计、伯努利情形排除的病态案例，以及高斯近似和已知方差条件对样本量规则的作用。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；无先验不等于无模型条件，三分之一规则不能直接推广至任意结局或实验设计。
原文摘要
This paper studies sample-size design for finite-population test-and-roll experiments, where a decision-maker first conducts an experiment on $m$ units and then assigns the remaining $N-m$ units to the treatment that performs better in the experiment. We consider welfare-aware sample-size choice, which involves an exploration-exploitation tradeoff: larger experiments improve the rollout decision but impose welfare losses on experimental units assigned to the inferior treatment. We show that the standard absolute minimax regret criterion can lead to implausibly small experiments by over-penalizing exploration in its worst-case objective. To address this limitation, we propose the Worst-case Marginal Benefit (WMB) rule, which compares the worst-case marginal benefit of adding one more matched pair to the experiment with the corresponding marginal exploration cost. We establish a simple rule-of-thirds benchmark. For Bernoulli outcomes, after excluding pathological cases, the WMB criterion yields the optimal sample size of $m \approx N/3$ through a Gaussian approximation. For Gaussian outcomes with a known common variance, the same benchmark arises exactly. These results provide a prior-free and practically implementable guide for welfare-based sample-size design.