Treatment Effect Modification by Latent Classes
潜在类别对处理效应的调节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：摘要明确研究随机实验中的异质性处理效应、潜在状态效应识别与置信区间。
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
潜在类别对处理效应的调节
- 研究问题
- 数字平台用户的不可观测状态如何调节处理效果，能否利用处理前行为识别潜在状态并估计各状态的实验效应？
- 方法与思路
- 作者用隐马尔可夫模型推断处理前潜在状态，在处理效应充分性假设下利用混合关系识别效应，并构造正交估计量。
- 材料陈述的贡献
- 摘要称状态后验足够异质时可识别状态效应，正交估计支持影响函数区间；Netflix实验呈现潜在状态间的效应差异。
- 阅读关注点
- 应核对处理效应充分性假设、状态后验异质性的识别要求，以及隐马尔可夫模型误差下的正交性和区间有效条件。
- 阅读边界
- 这是arXiv预印本，同行评审与期刊接收未经核实；摘要未详述识别条件，不能把潜在状态解释为已验证的用户心理机制。
原文摘要
Many treatments have effects that plausibly vary by latent classes. For example, the effect of personalized video recommendations may be stronger for users who seek a new discovery than for users seeking to rewatch something familiar. In the context of user journeys on digital platforms, we can conceptualize user moods as dynamic latent states that lead to distinct action distributions. Because mood is unobserved, we infer it from a user's pre-treatment actions using a hidden Markov model (HMM), and then leverage the latent state as an interpretable treatment effect modifier when evaluating experiment results. Under a treatment-effect sufficiency assumption, each observable conditional effect is a known mixture of the latent effects, so state-specific effects are identified when state posteriors are sufficiently heterogeneous. We propose an estimator that is Neyman-orthogonal to errors in the fitted HMM, enabling standard influence-function confidence intervals. In a real-world large-scale A/B test of a new recommendation model at Netflix, our latent-state analysis reveals that heavy-engagement users show significantly positive effects across all treatment variants, with limited evidence of benefit among less-active and rewatch-oriented users.