Breaking the Winner's Curse with Bayesian Hybrid Shrinkage
用贝叶斯混合收缩缓解赢家诅咒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：摘要研究在线实验中的处理效应估计及处理筛选后的偏差和区间有效性，最直接对应因果推断方向。
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…
用贝叶斯混合收缩缓解赢家诅咒
- 研究问题
- 在线实验用同一批结果筛选处理并评估其效果时，如何缓解选择造成的效应高估，并获得校准的不确定性量化？
- 方法与思路
- 作者提出包含实验特定局部收缩因子的贝叶斯方法，以减轻先验敏感性，并给出无需数值积分估计相关后验分布的途径。
- 材料陈述的贡献
- 摘要称，方法在采样或筛选过程假设被违背的模拟中表现良好，实证评估中也获得较准确的估计及校准的不确定性量化。
- 阅读关注点
- 应核对筛选机制是否进入模型、局部收缩与先验的关系、后验计算方式，以及所谓校准针对何种重复采样或选择情境。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未说明先验、筛选规则和性能数值，不能据此认定普遍优于替代方法。
原文摘要
A 'Winner's Curse' arises in large-scale online experimentation platforms when the same experiments are used to both select treatments and evaluate their effects. In these settings, classical difference-in-means estimators of treatment effects are upwardly biased and conventional confidence intervals are rendered invalid. The bias scales with the magnitude of sampling variability and the selection threshold, and inversely with the treatment's true effect size. We propose a new Bayesian approach that incorporates experiment-specific 'local shrinkage' factors that mitigate sensitivity to the choice of prior and improve robustness to assumption violations. We demonstrate how the associated posterior distribution can be estimated without numerical integration techniques, making it a practical choice for at-scale deployment. Through simulation, we evaluate the performance of our approach under various scenarios and find that it performs well even when assumptions about the sampling and selection processes are violated. In an empirical evaluation, our approach demonstrated superior performance over alternative methods, providing more accurate estimates with well-calibrated uncertainty quantification.