Improving precision of A/B experiments using trigger intensity
利用触发强度提高 A/B 实验精度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：摘要明确研究在线随机对照实验的处理影响评价，并分析触发信息抽样对效应估计偏差和标准误的影响。
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
利用触发强度提高 A/B 实验精度
- 研究问题
- 在线随机实验中，如何在难以完整识别处理与对照输出不同的触发观测时，以较低识别成本提高效应估计精度？
- 方法与思路
- 作者提出抽样估计触发信息的部分知识评价方法，分析抽样引入的偏差，并用模拟和经验数据比较精度及成本表现。
- 材料陈述的贡献
- 摘要称偏差与抽样观测数成反比；特定模拟中小比例抽样使偏差接近零，经验应用报告标准误降低约百分之三十六。
- 阅读关注点
- 应核对触发强度的定义、部分信息评价针对的效应对象，以及抽样偏差推导条件和经验标准误比较所用的基准。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明抽样与实验的具体设置，所报偏差和精度改善不代表普遍结果。
原文摘要
In industry, online randomized controlled experiment (a.k.a. A/B experiment) is a standard approach to measure the impact of a causal change. These experiments have small treatment effect to reduce the potential blast radius. As a result, these experiments often lack statistical significance due to low signal-to-noise ratio. A standard approach for improving the precision (or reducing the standard error) focuses only on the trigger observations, where the output of the treatment and the control model are different. Although evaluation with full information about trigger observations (full knowledge) improves the precision, detecting all such trigger observations is a costly affair. In this paper, we propose a sampling based evaluation method (partial knowledge) to reduce this cost. The randomness of sampling introduces bias in the estimated outcome. We theoretically analyze this bias and show that the bias is inversely proportional to the number of observations used for sampling. We also compare the proposed evaluation methods using simulation and empirical data. In simulation, bias in evaluation with partial knowledge effectively reduces to zero when a limited number of observations (<= 0.1%) are sampled for trigger estimation. In empirical setup, evaluation with partial knowledge reduces the standard error by 36.48%.