ML-assisted Randomization Tests for Detecting Treatment Effects in A/B Experiments
借助机器学习检测 A/B 实验处理效应的随机化检验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：摘要研究随机实验处理效应检验，并明确涵盖单位间干扰。
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
借助机器学习检测 A/B 实验处理效应的随机化检验
- 研究问题
- 在 A/B 随机实验中，如何检测包含异质性与单位间干扰的复杂处理效应，并利用机器学习的预测能力？
- 方法与思路
- 作者以包含和不包含处理变量的两个机器学习模型之间的交叉验证误差差异为统计量，再结合随机化程序实施检验。
- 材料陈述的贡献
- 摘要称该方法结合机器学习的预测能力与随机化检验的有限样本有效性，并通过理论分析和应用例子展示其作用。
- 阅读关注点
- 应核对检验的零假设、随机化机制、交叉验证与重拟合步骤，以及干扰情形下检验统计量和有效性的适用条件。
- 阅读边界
- 所据为 arXiv 预印本，同行评审或期刊接收未核实；摘要未列明不同干扰结构下的条件，也未给出功效比较数值。
原文摘要
Experimentation is widely utilized for causal inference and data-driven decision-making across disciplines. In an A/B experiment, for example, an online business randomizes two different treatments (e.g., website designs) to their customers and then aims to infer which treatment is better. In this paper, we construct randomization tests for complex treatment effects, including heterogeneity and interference. A key feature of our approach is the use of flexible machine learning (ML) models, where the test statistic is defined as the difference between the cross-validation errors from two ML models, one including the treatment variable and the other without it. This approach combines the predictive power of modern ML tools with the finite-sample validity of randomization procedures, enabling a robust and efficient way to detect complex treatment effects in experimental settings. We demonstrate this combined benefit both theoretically and empirically through applied examples.