Selective Randomization Inference for Adaptive Experiments
自适应实验的选择性随机化推断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：摘要直接研究自适应实验中的处理随机分配、处理效应估计与随机化推断。
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…
自适应实验的选择性随机化推断
- 研究问题
- 当实验设计和待检验假设随前期数据调整时，如何利用处理分配的随机性，在选择之后仍控制检验错误并开展效应推断？
- 方法与思路
- 作者将条件选择后推断用于随机化检验，以有向无环图描述生成过程，并通过拒绝采样及 MCMC 近似选择性 p 值。
- 材料陈述的贡献
- 摘要称方法控制选择性第一类错误，无需结局建模或独立同分布假设，并讨论可计算条件及同质处理效应的估计和区间。
- 阅读关注点
- 应核对条件化所依据的选择事件、随机化机制及 p 值可计算条件，并检查蒙特卡洛近似和同质效应区间的有效性要求。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未核实。摘要未给出适用设计和计算条件，不能据此认为任意自适应实验均可直接分析。
原文摘要
Adaptive experiments use preliminary analyses of the data to inform further course of action and are commonly used in many disciplines including medical and social sciences. Because the null hypothesis and experimental design are data-dependent, it has long been recognized that statistical inference for adaptive experiments is not straightforward. Most existing methods only apply to specific adaptive designs and rely on strong assumptions. In this work, we propose selective randomization inference as a general framework for analysing adaptive experiments. In a nutshell, our approach applies conditional post-selection inference to randomization tests. By using directed acyclic graphs to describe the data generating process, we derive a selective randomization p-value that controls the selective type-I error. As inference only relies on the randomness in the treatment assignment, no modelling assumptions or independent and identically distributed data are needed. We elaborate on conditions that render the proposed p-value computable and provide rejection sampling and MCMC algorithms to find a Monte Carlo approximation. Moreover, this article shows how to estimate and construct confidence intervals for a homogeneous treatment effect. Lastly, we demonstrate our method and compare it with other randomization tests using synthetic and real-world data.