Data-Driven Switchback Experiments: Theoretical Tradeoffs and Empirical Bayes Designs
数据驱动的切换实验：理论权衡与经验贝叶斯设计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：摘要核心是处理效应估计的随机实验设计，时间相关性主要作为实验误差来源。
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
数据驱动的切换实验：理论权衡与经验贝叶斯设计
- 研究问题
- 针对单一聚合单位的切换实验，如何划分时间区间并安排处理切换，以降低延续效应、周期性和序列相关造成的估计误差？
- 方法与思路
- 作者推导包含延续效应、周期性、序列相关及同时进行实验影响的偏差—方差分解，再利用历史数据和实验构造经验贝叶斯设计。
- 材料陈述的贡献
- 摘要称刻画了切换频率与区间随机化的误差权衡；网约车平台示例中，新设计相对现行设计将均方误差降低了百分之三十三。
- 阅读关注点
- 应核对效应目标、延续效应建模、误差分解条件、历史信息如何形成先验，以及平台示例中的比较口径和设计实施方式。
- 阅读边界
- 所给版本为 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未说明误差改善的评估细节，该平台结果不能直接外推。
原文摘要
We study the design and analysis of switchback experiments conducted on a single aggregate unit. The design problem is to partition the continuous time space into intervals and switch treatments between intervals, in order to minimize the estimation error of the treatment effect. We show that the estimation error depends on four factors: carryover effects, periodicity, serially correlated outcomes, and impacts from simultaneous experiments. We derive a rigorous bias-variance decomposition and show the tradeoffs of the estimation error from these factors. The decomposition provides three new insights in choosing a design: First, balancing the periodicity between treated and control intervals reduces the variance; second, switching less frequently reduces the bias from carryover effects while increasing the variance from correlated outcomes, and vice versa; third, randomizing interval start and end points reduces both bias and variance from simultaneous experiments. Combining these insights, we propose a new empirical Bayes design approach. This approach uses prior data and experiments for designing future experiments. We illustrate this approach using real data from a ride-sharing platform, yielding a design that reduces MSE by 33% compared to the status quo design used on the platform.