Adaptive Experimental Design Using Shrinkage Estimators
使用收缩估计量的自适应实验设计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：摘要明确以随机试验的处理分配和最终因果效应估计为目标，方法重点是实验设计与因果估计的联合改进。
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
使用收缩估计量的自适应实验设计
- 研究问题
- 在多个处理组与一个控制组的序贯试验中，跨组共享信息的收缩估计能否改善最终因果效应估计并引导处理分配？
- 方法与思路
- 作者采用 Stein 型收缩估计，以数值积分计算高斯二次型比值所对应的风险，再为新参与者选择预计损失最小的处理组。
- 材料陈述的贡献
- 摘要称收缩估计相较逐组估计可降低期望平方误差；模拟显示低信噪比时改善较明显，并提出更短置信区间的方法。
- 阅读关注点
- 应核对风险比较的分布与参数条件、自适应分配如何更新风险，以及数据依赖分配和收缩偏差下置信区间的有效性。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未经核实；摘要未说明风险优势适用范围和区间覆盖表现，不能泛化到任意序贯试验。
原文摘要
In multi-armed trials, adaptive designs are a popular way to increase estimation efficiency or identify optimal treatments. Several recent papers have proposed adaptive variants of the classical Neyman allocation to assign treatments in sequential trials, with the goal of minimizing the error of a Horvitz-Thompson-style estimator. However, this approach may be inefficient, because it fails to borrow information across the treatment arms. In this paper, we consider adaptivity in a sequential trial with K active treatments and a control, and suggest the use of Stein-like shrinkage estimators to obtain the final causal estimates. These estimators share information across arms, yielding provable reductions in expected squared error loss relative to estimating each causal effect in isolation. Moreover, for each of our candidate shrinkers, the risk is the expectation of ratios of Gaussian quadratic forms, and can be computed efficiently via numerical integration. Hence, we suggest a simple algorithm for sequential adaptivity: assign treatments to each new arrival by choosing the arm that will minimize the estimated shrinker loss. Through simulations, we demonstrate that this approach can yield meaningful reductions in estimation error, especially in the low signal-to-noise regime. We also characterize how our adaptive algorithm assigns treatments differently than would a sequential Neyman allocation, and suggest a method for constructing shorter confidence intervals at the trial's conclusion.