Randomization Tests for Adaptively Collected Data
自适应采集数据的随机化检验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。
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：摘要聚焦一般自适应采样推断，虽提及实验设计，但未明确给出因果效应或其他所列细分方向的目标。
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
自适应采集数据的随机化检验
- 研究问题
- 当数据由老虎机算法、强化学习或自适应实验设计采集而不具交换性时，如何开展随机化检验及置信、预测区间构造？
- 方法与思路
- 作者提出加权随机化检验的一般框架，并针对多种自适应分配算法、数据生成环境和推断任务设计计算可行的重采样方法。
- 材料陈述的贡献
- 摘要称，该框架将随机化检验扩展至非交换的自适应数据，配套重采样算法可实施，模拟展示检验和置信、预测区间构造的效用。
- 阅读关注点
- 应核对权重依赖哪些已知分配概率、重采样是否需重现完整采集过程，以及各种检验和区间的有效性条件与计算成本。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；新框架的具体有效性条件未展开，不能将传统随机化检验的精确性直接推广到任意自适应机制。
原文摘要
Randomization testing is a fundamental method in statistics, enabling inferential tasks such as testing for (conditional) independence of random variables, constructing confidence intervals in semiparametric location models, and constructing (by inverting a permutation test) model-free prediction intervals via conformal prediction. Randomization tests are exactly valid for any sample size, but their use is generally confined to exchangeable data. Yet in many applications, data is routinely collected adaptively via, e.g., (contextual) bandit and reinforcement learning algorithms or adaptive experimental designs. In this paper we present a general framework for randomization testing on adaptively collected data (despite its non-exchangeability) that uses a weighted randomization test, for which we also present novel computationally tractable resampling algorithms for various popular adaptive assignment algorithms, data-generating environments, and types of inferential tasks. Finally, we demonstrate via a range of simulations the efficacy of our framework for both testing and confidence/prediction interval construction.