Spatially Randomized Designs Can Enhance Policy Evaluation
空间随机化设计如何改进政策评估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：摘要以随机处理分配、政策效应估计和 A/B 检验为核心，直接属于因果推断；时空依赖不足以单独认定为网络干扰研究。
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…
空间随机化设计如何改进政策评估
- 研究问题
- 研究将实验区域划分为不重叠单元并随机分配处理，能否提高政策价值估计的精度与 A/B 检验功效，并适应时空依赖。
- 方法与思路
- 作者比较空间随机化与所有单元同步采用同一处理的全局设计，分析参数及非参数估计，并扩展到序贯分配和时间延续效应。
- 材料陈述的贡献
- 摘要称空间随机化设计可提供更精确的政策价值估计与更有效的 A/B 检验，并给出均方误差、功效分析和数值实验支持。
- 阅读关注点
- 应核对政策价值的目标定义、设计间比较的条件与资源约束，以及空间依赖、序贯处理和时间延续效应如何进入估计与推断。
- 阅读边界
- 这是 arXiv 预印本，无法据此确认同行评审或期刊接收；摘要未列出改进成立的条件，不能推定任意空间划分均提高精度。
原文摘要
This article studies the benefits of using spatially randomized experimental designs which partition the experimental area into distinct, non-overlapping units with treatments assigned randomly. Such designs offer improved policy evaluation in online experiments by providing more precise policy value estimators and more effective A/B testing algorithms than traditional global designs, which apply the same treatment across all units simultaneously. We examine both parametric and nonparametric methods for estimating and inferring policy values based on this randomized approach. Our analysis includes evaluating the mean squared error of the treatment effect estimator and the statistical power of the associated tests. Additionally, we extend our findings to experiments with spatio-temporal dependencies, where treatments are allocated sequentially over time, and account for potential temporal carryover effects. Our theoretical insights are supported by comprehensive numerical experiments.