跳到正文
← 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:摘要直接研究随机实验的因果效应,并将时间和跨个体干扰作为核心识别问题。

反馈分类问题

Global Average Treatment Effects for Individualized Randomization Experiments with Aggregate Data

仅用聚合数据识别个体随机化实验的全局平均处理效应

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
Shuguang Yu
Ting Li
Yuchen Lu
Chengchun Shi
Fan Zhou
Zhichao Zou
Peng Zhen
Hongtu Zhu

仅用聚合数据识别个体随机化实验的全局平均处理效应

研究问题
在双边市场存在时间与个体间干扰、且只能观察处理组和对照组聚合数据时,如何识别和推断全局平均处理效应?
方法与思路
作者先建立聚合观测下的识别条件,再构造个体随机实验的变系数决策过程模型,以供需动态表示干扰并估计全局效应。
材料陈述的贡献
摘要称,提供仅依赖组级数据的全局平均处理效应识别、估计和推断程序及检验保证,并以模拟和网约车平台实验展示效果。
阅读关注点
应核对全局效应与个体随机化效应的区别、聚合数据保留的识别信息,以及供需动态如何刻画跨个体和跨时间干扰。
阅读边界
仅据 arXiv 预印本摘要,不能确认同行评审或期刊接收;识别限制、动态设定及平台实验数值未说明,不能判断跨平台适用性。

原文摘要

Individualized randomized experiments are central to online platforms for optimizing personalized decisions in complex environments. In two-sided markets, however, standard treatment effect estimation is often invalid due to strong temporal and cross-unit interference, a challenge compounded when only aggregated data are available because of privacy or system constraints. To address these issues, we identify the Global Average Treatment Effect (GATE) using only group-level data from treatment and control groups. We first establish identification conditions based on aggregated observations, and then propose the Individualized Randomized Experiment Varying Coefficient Decision Process (IRE-VCDP) model, which accounts for interference through supply-demand dynamics. Building on this framework, we develop a complete procedure for estimation and statistical inference of the GATE, along with theoretical guarantees for the proposed test. Extensive simulations and real-world experiments using data from a leading ridesharing platform demonstrate the effectiveness of our approach.

笔记与分组