論文の概要: ML-assisted Randomization Tests for Detecting Treatment Effects in A/B Experiments
- arxiv url: http://arxiv.org/abs/2501.07722v1
- Date: Mon, 13 Jan 2025 22:14:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-15 13:28:51.690118
- Title: ML-assisted Randomization Tests for Detecting Treatment Effects in A/B Experiments
- Title(参考訳): A/B実験における治療効果検出のためのML支援ランダム化試験
- Authors: Wenxuan Guo, JungHo Lee, Panos Toulis,
- Abstract要約: 本稿では, 複雑な処理効果に対するランダム化試験を構築した。
このアプローチの重要な特徴は、フレキシブル機械学習(ML)モデルを使用することです。
このアプローチは、現代のMLツールの予測力とランダム化手順の有限サンプル妥当性を組み合わせる。
- 参考スコア(独自算出の注目度): 3.79377147545355
- License:
- Abstract: Experimentation is widely utilized for causal inference and data-driven decision-making across disciplines. In an A/B experiment, for example, an online business randomizes two different treatments (e.g., website designs) to their customers and then aims to infer which treatment is better. In this paper, we construct randomization tests for complex treatment effects, including heterogeneity and interference. A key feature of our approach is the use of flexible machine learning (ML) models, where the test statistic is defined as the difference between the cross-validation errors from two ML models, one including the treatment variable and the other without it. This approach combines the predictive power of modern ML tools with the finite-sample validity of randomization procedures, enabling a robust and efficient way to detect complex treatment effects in experimental settings. We demonstrate this combined benefit both theoretically and empirically through applied examples.
- Abstract(参考訳): 実験は、専門分野にわたる因果推論やデータ駆動による意思決定に広く利用されている。
例えば、A/B実験では、オンラインビジネスが顧客に対して2つの異なる治療(ウェブサイトのデザインなど)をランダムに行い、どの治療が良いかを推測する。
本稿では,不均一性や干渉を含む複雑な治療効果のランダム化テストを構築した。
このアプローチの重要な特徴は、フレキシブル機械学習(ML)モデルの使用である。テスト統計は、処理変数を含む2つのMLモデルとの相互検証誤差の違いとして定義される。
このアプローチは、現代のMLツールの予測力とランダム化手順の有限サンプル妥当性を組み合わせることで、実験環境で複雑な処理効果を検出する堅牢で効率的な方法を可能にする。
応用例を通して、理論的にも経験的にもこの組み合わせの利点を実証する。
関連論文リスト
- A Simple Model to Estimate Sharing Effects in Social Networks [3.988614978933934]
ソーシャルネットワークにおけるユーザ共有行動を記述するシンプルなマルコフ決定プロセス(MDP)モデルを提案する。
本モデルでは, 治療効果の偏りのない推定器を導出し, 再現性のある合成実験により, 既存の方法よりも有意差で優れることを示した。
論文 参考訳(メタデータ) (2024-09-16T13:32:36Z) - Improving Bias Correction Standards by Quantifying its Effects on Treatment Outcomes [54.18828236350544]
Propensity score matching (PSM) は、分析のために同等の人口を選択することで選択バイアスに対処する。
異なるマッチング手法は、すべての検証基準を満たす場合でも、同じタスクに対する平均処理効果(ATE)を著しく異なるものにすることができる。
この問題に対処するため,新しい指標A2Aを導入し,有効試合数を削減した。
論文 参考訳(メタデータ) (2024-07-20T12:42:24Z) - 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) - CKD: Contrastive Knowledge Distillation from A Sample-wise Perspective [48.99488315273868]
本研究では,試料内およびサンプル間制約によるサンプルワイドアライメント問題として定式化できる,対照的な知識蒸留手法を提案する。
本手法は, 数値を考慮し, 同一試料中のロジット差を最小化する。
CIFAR-100, ImageNet-1K, MS COCOの3つのデータセットについて総合的な実験を行った。
論文 参考訳(メタデータ) (2024-04-22T11:52:40Z) - Machine Learning Assisted Adjustment Boosts Efficiency of Exact Inference in Randomized Controlled Trials [12.682443719767763]
提案手法は,I型誤差を頑健に制御し,ランダム化制御試験(RCT)の統計的効率を高めることができることを示す。
その応用は、第III相臨床試験のような、RCTの必要なサンプルサイズとコストを著しく削減する可能性がある。
論文 参考訳(メタデータ) (2024-03-05T15:48:07Z) - Individualized Multi-Treatment Response Curves Estimation using RBF-net with Shared Neurons [1.1119247609126184]
反応曲線の非パラメトリックモデリングは、共有された隠れニューロンを持つ放射基底関数(RBF)-ネットに依存している。
本手法をMIMICデータに適用し, 在宅中絶患者に対するICU滞在時間と12時間SOFAスコアに対する異なる治療方法の効果に関する興味深い知見を得た。
論文 参考訳(メタデータ) (2024-01-29T21:13:01Z) - 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) - The Blessings of Multiple Treatments and Outcomes in Treatment Effect
Estimation [53.81860494566915]
既存の研究では、プロキシ変数や複数の処理を利用してバイアスを補正している。
多くの実世界のシナリオでは、複数の結果に対する影響を研究することにより大きな関心がある。
この設定に関わる複数の結果の並列研究は、因果同定において互いに助け合うことが示されている。
論文 参考訳(メタデータ) (2023-09-29T14:33:48Z) - Comparison of Methods that Combine Multiple Randomized Trials to
Estimate Heterogeneous Treatment Effects [0.1398098625978622]
複数のランダム化制御試験を活用することで、データセットと未確立の処理割り当ての組み合わせが可能になる。
本稿では,複数試行データを用いて不均一な治療効果を推定するための非パラメトリックなアプローチについて述べる。
論文 参考訳(メタデータ) (2023-03-28T20:43:00Z) - Statistical Inference for Heterogeneous Treatment Effects Discovered by Generic Machine Learning in Randomized Experiments [0.9208007322096533]
汎用MLアルゴリズムにより検出された不均一な処理効果の統計的推測に対する一般的なアプローチを開発する。
各グループの平均治療効果を推定し,有効信頼区間を構築する方法について述べる。
論文 参考訳(メタデータ) (2022-03-28T05:43:46Z) - Localized Debiased Machine Learning: Efficient Inference on Quantile
Treatment Effects and Beyond [69.83813153444115]
因果推論における(局所)量子化処理効果((L)QTE)の効率的な推定式を検討する。
Debiased Machine Learning (DML)は、高次元のニュアンスを推定するデータ分割手法である。
本稿では、この負担のかかるステップを避けるために、局所的脱バイアス機械学習(LDML)を提案する。
論文 参考訳(メタデータ) (2019-12-30T14:42:52Z)
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。