Optimal Data Integration and Adaptive Sampling for Efficient Treatment Effect Estimation
高效处理效应估计的最优数据整合与自适应抽样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：摘要直接围绕平均处理效应、观察与实验数据整合及自适应随机实验设计展开。
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…
高效处理效应估计的最优数据整合与自适应抽样
- 研究问题
- 在线市场无法对所有广告活动开展随机实验时，如何结合观察与实验数据估计平均处理效应，并降低随机评估成本？
- 方法与思路
- 作者构建整合观察与实验数据的收缩估计量，并用贝叶斯自适应实验设计选择待随机评估的广告活动，以最小化累积风险。
- 材料陈述的贡献
- 摘要称，方法具有渐近正态性与遗憾界；在分析2,583个广告活动的应用中，以随机抽样一半的实验量达到相当估计精度。
- 阅读关注点
- 应核对风险最优性的比较范围、观察数据偏差如何处理，以及实验减半结果的评估设计、精度指标与适用条件。
- 阅读边界
- 这是预印本，同行评审未经核实。摘要未给出理论条件和数值比较细节，应用中的实验节省不能直接推广到其他平台。
原文摘要
This study addresses the challenge of estimating average treatment effects (ATEs) for advertising campaigns in online marketplaces where complete randomized experimentation is infeasible. We propose two key innovations: (1) a shrinkage estimator that optimally combines observational and experimental data without assuming smooth treatment effects across campaigns, and (2) a Bayesian adaptive experimental design framework that efficiently selects campaigns for randomized evaluation that minimizes cumulative risk. Our shrinkage estimator achieves lower risk compared to existing methods by balancing bias-variance tradeoffs, while our adaptive design significantly reduces the costs of campaign randomization. We establish theoretical guarantees including asymptotic normality and regret bounds. In an application to Amazon Ads data analyzing 2,583 campaigns, our approach achieves equivalent estimation precision while requiring only half of the randomized experiments needed by random sampling, the standard method widely used in practice today. The proposed method serves as a practical solution for marketplace platforms to efficiently measure advertising effectiveness while managing experimentation costs.