Multicell experiments for marginal treatment effect estimation of digital ads
用于数字广告边际处理效应估计的多单元实验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：题名与摘要明确涉及单边不依从实验、边际处理效应及干预强度决策。
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
用于数字广告边际处理效应估计的多单元实验
- 研究问题
- 在单边不依从的数字广告实验中，如何估计能够支持广告覆盖人数或支出强度决策的效应，而非仅得到常规实验效应？
- 方法与思路
- 作者将新的多单元实验设计与现代估计技术结合，并利用 Facebook 广告实验校准的模拟考察强度边际决策表现。
- 材料陈述的贡献
- 摘要称设计易于实施且无需额外预算，在若干校准模拟情境中表现优于比较方法，并展示相对直接优化方法的优势。
- 阅读关注点
- 应核对实验单元如何改变处理接受概率、边际处理效应的识别条件，以及从效应曲线到最优覆盖或支出的转换。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审或期刊接收未经核实；摘要未说明具体识别假设，模拟优势不等于真实投放效果保证。
原文摘要
Randomized experiments with treatment and control groups are an important tool to measure the impacts of interventions. However, in experimental settings with one-sided noncompliance extant empirical approaches may not produce the estimands a decision maker needs to solve the problem of interest. For example, these experimental designs are common in digital advertising settings but typical methods do not yield effects that inform the intensive margin: how many consumers should be reached or how much should be spent on a campaign. We propose a solution that combines a novel multicell experimental design with modern estimation techniques that enables decision makers to solve problems with an intensive margin. Our design is straightforward to implement and does not require additional budget. We illustrate our method through simulations calibrated using an advertising experiment at Facebook, demonstrating its superior performance in various scenarios and its advantage over direct optimization approaches.