Learning the Covariance of Treatment Effects Across Many Weak Experiments
从大量弱效应实验中学习处理效应的协方差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：摘要研究历史实验中多结果处理效应的协方差与代理指标，并借鉴弱工具变量方法，直接属于因果效应学习方向。
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…
从大量弱效应实验中学习处理效应的协方差
- 研究问题
- 当历史实验的处理效应较弱时，如何避免估计效应的跨实验协方差偏差，并据此构造反映主要或长期目标的代理指标？
- 方法与思路
- 作者借鉴弱工具变量分析，用 LIML 和 JIVE 学习不同参数，并在同方差条件下提出总体协方差估计量，研究其代理指标用途。
- 材料陈述的贡献
- 摘要称，相关参数分别具有变换后总体最小二乘和平均刀切协方差解释，并可在若干结构模型下构造无偏代理指标。
- 阅读关注点
- 应核对各方法对应的估计目标、弱效应造成偏差的机制，以及同方差要求、结构模型限制和 Netflix 应用的验证方式。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核验；摘要未列明结构模型及有效性条件，不能把不同参数视为同一目标或普遍有效代理。
原文摘要
When primary objectives are insensitive or delayed, experimenters may instead focus on proxy metrics derived from secondary outcomes. For example, technology companies often infer the long-term impacts of product interventions from their effects on short-term user engagement signals. We consider the meta-analysis of many historical experiments to learn the covariance of treatment effects on these outcomes, which can support the construction of such proxies. Even when experiments are plentiful, if treatment effects are weak, the covariance of estimated treatment effects across experiments can be highly biased. We overcome this with techniques inspired by weak instrumental variable analysis. We show that Limited Information Maximum Likelihood (LIML) learns a parameter equivalent to fitting total least squares to a transformation of the scatterplot of treatment effects, and that Jackknife Instrumental Variables Estimation (JIVE) learns another parameter computable from the average of Jackknifed covariance matrices across experiments. We also present a total covariance estimator for the latter estimand under homoskedasticity, which is equivalent to a $k$-class estimator. We show how these parameters can be used to construct unbiased proxy metrics under various structural models. Lastly, we discuss the real-world application of our methods at Netflix.