Multivariate Tie-breaker Designs
多变量中间区间随机化设计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：摘要围绕处理分配概率与处理效应的实验设计，明确连接回归不连续设计和随机对照试验。
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
多变量中间区间随机化设计
- 研究问题
- 当高评分者接受处理、低评分者不接受处理、中间人群随机化时，如何在资源配置、统计精度与伦理约束之间选择分配概率？
- 方法与思路
- 作者为处理组与对照组设定多变量回归，提出前瞻 D 最优准则，并通过凸优化在给定协变量和约束下选择处理概率。
- 材料陈述的贡献
- 摘要称在其模型中，处理效应与整体回归的 D 最优性一致，无约束时随机试验全局最优，单调约束使处理概率取值稀疏。
- 阅读关注点
- 应核对前瞻最优准则如何处理未知回归关系、全局最优结论的模型范围，以及单调和伦理约束如何改变分配方案。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审与期刊接收状态未核实；摘要未说明回归设定与约束细节，应用仅被描述为半合成示例。
原文摘要
In a tie-breaker design (TBD), subjects with high values of a running variable are given some (usually desirable) treatment, subjects with low values are not, and subjects in the middle are randomized. TBDs are intermediate between regression discontinuity designs (RDDs) and randomized controlled trials (RCTs). TBDs allow a tradeoff between the resource allocation efficiency of an RDD and the statistical efficiency of an RCT. We study a model where the expected response is one multivariate regression for treated subjects and another for control subjects. We propose a prospective D-optimality, analogous to Bayesian optimal design, to understand design tradeoffs without reference to a specific data set. For given covariates, we show how to use convex optimization to choose treatment probabilities that optimize this criterion. We can incorporate a variety of constraints motivated by economic and ethical considerations. In our model, D-optimality for the treatment effect coincides with D-optimality for the whole regression, and, without constraints, an RCT is globally optimal. We show that a monotonicity constraint favoring more deserving subjects induces sparsity in the number of distinct treatment probabilities. We apply the convex optimization solution to a semi-synthetic example involving triage data from the MIMIC-IV-ED database.