Demistifying Inference after Adaptive Experiments
理解自适应实验后的统计推断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：摘要围绕多臂老虎机等治疗分配实验及其有效统计推断展开。
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
理解自适应实验后的统计推断
- 研究问题
- 当实验根据已观测数据调整治疗分配或停止时间时，何时会破坏常规渐近推断，以及如何获得具有频率学保证的推断？
- 方法与思路
- 作者解释自适应导致推断困难的机制，并讨论方差稳定化重加权、基于渐近序列联合正态性的始终有效推断及非正态分布反演。
- 材料陈述的贡献
- 摘要将自适应实验中的推断障碍与多种修正路径联系起来，说明常规正态近似可能失效，而浓缩不等式方法可能过度保守。
- 阅读关注点
- 应核对分配自适应与停止自适应分别影响哪些结论，以及各修正方法的目标参数、适用条件和频率学保证是否相同。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要以解释和梳理为主，未给出具体定理条件或各方案的数值比较。
原文摘要
Adaptive experiments such as multi-arm bandits adapt the treatment-allocation policy and/or the decision to stop the experiment to the data observed so far. This has the potential to improve outcomes for study participants within the experiment, to improve the chance of identifying best treatments after the experiment, and to avoid wasting data. Seen as an experiment (rather than just a continually optimizing system) it is still desirable to draw statistical inferences with frequentist guarantees. The concentration inequalities and union bounds that generally underlie adaptive experimentation algorithms can yield overly conservative inferences, but at the same time the asymptotic normality we would usually appeal to in non-adaptive settings can be imperiled by adaptivity. In this article we aim to explain why, how, and when adaptivity is in fact an issue for inference and, when it is, understand the various ways to fix it: reweighting to stabilize variances and recover asymptotic normality, always-valid inference based on joint normality of an asymptotic limiting sequence, and characterizing and inverting the non-normal distributions induced by adaptivity.