論文の概要: Efficient Adaptive Experimental Design for Average Treatment Effect
Estimation
- arxiv url: http://arxiv.org/abs/2002.05308v4
- Date: Tue, 26 Oct 2021 10:01:31 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-01 10:10:11.940813
- Title: Efficient Adaptive Experimental Design for Average Treatment Effect
Estimation
- Title(参考訳): 平均治療効果推定のための効率的適応実験設計
- Authors: Masahiro Kato, Takuya Ishihara, Junya Honda, Yusuke Narita
- Abstract要約: 本研究では, 依存サンプルから構築した推定器を用いた効率的な実験法を提案する。
提案手法を正当化するために,有限および無限サンプル解析を行う。
- 参考スコア(独自算出の注目度): 18.027128141189355
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The goal of many scientific experiments including A/B testing is to estimate
the average treatment effect (ATE), which is defined as the difference between
the expected outcomes of two or more treatments. In this paper, we consider a
situation where an experimenter can assign a treatment to research subjects
sequentially. In adaptive experimental design, the experimenter is allowed to
change the probability of assigning a treatment using past observations for
estimating the ATE efficiently. However, with this approach, it is difficult to
apply a standard statistical method to construct an estimator because the
observations are not independent and identically distributed. We thus propose
an algorithm for efficient experiments with estimators constructed from
dependent samples. We also introduce a sequential testing framework using the
proposed estimator. To justify our proposed approach, we provide finite and
infinite sample analyses. Finally, we experimentally show that the proposed
algorithm exhibits preferable performance.
- Abstract(参考訳): A/Bテストを含む多くの科学実験の目標は、平均治療効果(ATE)を推定することであり、これは2つ以上の治療の期待結果の違いとして定義される。
本稿では,実験者が研究対象に対して順次治療を割り当てることができる状況について考察する。
適応的な実験設計において、実験者は、過去の観察を用いて、ATEを効率的に推定する処置を割り当てる確率を変更することができる。
しかし、このアプローチでは、観測が独立かつ同一に分布しないため、標準統計的手法を適用して推定器を構築することは困難である。
そこで本研究では,依存サンプルから構築した推定器を用いた効率的な実験を行うアルゴリズムを提案する。
提案した推定器を用いた逐次テストフレームワークも導入する。
提案手法を正当化するために,有限および無限サンプル解析を行う。
最後に,提案アルゴリズムが好適な性能を示すことを示す。
関連論文リスト
- Estimating Distributional Treatment Effects in Randomized Experiments: Machine Learning for Variance Reduction [6.909352249236339]
ランダム化実験における分散処理効果パラメータを推定するための新しい回帰調整法を提案する。
提案手法では,事前処理による協調処理を分散回帰フレームワークに組み込み,機械学習技術を用いて分散処理効果推定器の精度を向上させる。
論文 参考訳(メタデータ) (2024-07-22T20:28:29Z) - Adaptive Experimentation When You Can't Experiment [55.86593195947978]
本稿では,Emphcon founded the pure exploration transductive linear bandit (textttCPET-LB) problem。
オンラインサービスは、ユーザーを特定の治療にインセンティブを与える、適切にランダム化された励ましを利用することができる。
論文 参考訳(メタデータ) (2024-06-15T20:54:48Z) - Active Adaptive Experimental Design for Treatment Effect Estimation with Covariate Choices [7.21848268647674]
本研究では,平均治療効果(ATE)を効率的に推定するための適応実験を設計する。
適応実験の各ラウンドでは、実験者が実験ユニットをサンプリングし、治療を割り当て、その結果を直ちに観察する。
実験の最後に、実験者は収集されたサンプルを用いてATEを推定する。
論文 参考訳(メタデータ) (2024-03-06T10:24:44Z) - Efficient adjustment for complex covariates: Gaining efficiency with
DOPE [56.537164957672715]
共変量によって表現される情報のサブセットを調整可能なフレームワークを提案する。
理論的な結果に基づいて,平均処理効果(ATE)の効率的な評価を目的とした,デバイアスドアウトカム適応確率推定器(DOPE)を提案する。
その結果,DOPE は様々な観測環境において ATE 推定のための効率的かつ堅牢な手法を提供することがわかった。
論文 参考訳(メタデータ) (2024-02-20T13:02:51Z) - Adaptive Instrument Design for Indirect Experiments [48.815194906471405]
RCTとは異なり、間接的な実験は条件付き機器変数を利用して治療効果を推定する。
本稿では,データ収集ポリシーを適応的に設計することで,間接実験におけるサンプル効率の向上に向けた最初のステップについて述べる。
我々の主な貢献は、影響関数を利用して最適なデータ収集ポリシーを探索する実用的な計算手順である。
論文 参考訳(メタデータ) (2023-12-05T02:38:04Z) - Choosing a Proxy Metric from Past Experiments [54.338884612982405]
多くのランダム化実験では、長期的な計量の処理効果は測定が困難または不可能であることが多い。
一般的な方法は、いくつかの短期的プロキシメトリクスを計測して、長期的メトリックを綿密に追跡することである。
ランダム化実験の同種集団において最適なプロキシメトリックを定義し構築するための新しい統計フレームワークを導入する。
論文 参考訳(メタデータ) (2023-09-14T17:43:02Z) - A Double Machine Learning Approach to Combining Experimental and Observational Data [59.29868677652324]
実験と観測を組み合わせた二重機械学習手法を提案する。
我々の枠組みは、より軽度の仮定の下で、外部の妥当性と無知の違反を検査する。
論文 参考訳(メタデータ) (2023-07-04T02:53:11Z) - Scalable method for Bayesian experimental design without integrating
over posterior distribution [0.0]
実験問題のA-最適ベイズ設計における計算効率について検討する。
A-最適性はベイズの実験設計に広く用いられ、容易に解釈できる基準である。
本研究は, A-Optimal 実験設計における新しい可能性のないアプローチを提案する。
論文 参考訳(メタデータ) (2023-06-30T12:40:43Z) - GEAR: On Optimal Decision Making with Auxiliary Data [20.607673853640744]
現在の最適決定規則(ODR)法は、通常、治療効果、すなわち実験サンプルを評価するために、サンプルに対する関心の最初の結果を必要とする。
本論文では, 実験試料中のODRの推定を容易にするための補助試料を用いて, この課題に対処すべく考案した。
本稿では, 拡張逆確率重み値推定器を一連の決定規則に対して最大化することにより, 実験および補助サンプルベース決定規則(GEAR)を提案する。
論文 参考訳(メタデータ) (2021-04-21T14:59:25Z) - Predicting Performance for Natural Language Processing Tasks [128.34208911925424]
実験条件を入力として,NLP実験の評価スコアを予測する回帰モデルを構築した。
9つの異なるNLPタスクを実験した結果、予測器は目に見えない言語や異なるモデリングアーキテクチャに対して有意義な予測を生成できることがわかった。
論文 参考訳(メタデータ) (2020-05-02T16:02:18Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。