Adaptive Treatment Assignment in Experiments for Policy Choice
面向政策选择的实验自适应处理分配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。
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：摘要讨论多波次实验的处理分配及最终政策选择，研究设计直接服务于干预比较与政策决策，因此归入因果推断。
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
面向政策选择的实验自适应处理分配
- 研究问题
- 在多波次、多个候选处理的实验中，如何根据已有信息动态调整分配概率，以提高实验结束时选择最佳政策的表现及其福利？
- 方法与思路
- 作者提出“探索抽样”，使每轮分配概率成为各处理最优后验概率的递增凹函数，并通过校准模拟和印度农业推广招募应用评估。
- 材料陈述的贡献
- 摘要称算法具有渐近最优性，校准模拟中福利优于非自适应设计及老虎机算法，并展示六种招募策略选择的实践可行性。
- 阅读关注点
- 核对渐近最优性的目标函数和假设、后验更新与分配概率的计算方式，并检查模拟福利指标及实际应用的实验实施细节。
- 阅读边界
- 摘要未说明先验设定、最优性成立条件及应用的福利估计精度；模拟中的改善不能直接视为不同政策环境下的普遍结论。
原文摘要
Standard experimental designs are geared toward point estimation and hypothesis testing, while bandit algorithms are geared toward in‐sample outcomes. Here, we instead consider treatment assignment in an experiment with several waves for choosing the best among a set of possible policies (treatments) at the end of the experiment. We propose a computationally tractable assignment algorithm that we call “exploration sampling,” where assignment probabilities in each wave are an increasing concave function of the posterior probabilities that each treatment is optimal. We prove an asymptotic optimality result for this algorithm and demonstrate improvements in welfare in calibrated simulations over both non‐adaptive designs and bandit algorithms. An application to selecting between six different recruitment strategies for an agricultural extension service in India demonstrates practical feasibility.