我们研究在单个聚合单元上进行的回溯实验的设计和分析问题,推导出了误差估计依赖于交叉效应、周期性、序列相关的结果以及同步实验的影响等四个因素,并提出了三个新的设计见解,最后提出了一种基于经验贝叶斯的设计方法,并在实际数据的基础上进行了验证。
Jun, 2024
提出了一个基于重要性权重收缩的新框架,用于设计背景依赖赌博机的估算器,得到了三个估算器,包括一个新的收缩估算器和第一个用于组合行动集的收缩估算器,并在基准问题中进行了广泛的实验,表明该估算器高度适应性,并且通常优于现有的方法。
Jul, 2019
研究表明,采用经验贝叶斯收缩方法对赌博学习中的奖励估计进行优化,并基于窗口累积输入估计平滑的奖励估计,以应对延迟反馈和非稳态奖励导致的不完全知识问题,并通过数量模拟验证了该提案的优越性,可以在速度和稳定性之间取得平衡,为人类 - 有回路的顺序优化提供便利。
Jun, 2021
本文对因果推断、优化方法与观察型研究、偏差减少与比较分析等方面进行了综述。
Feb, 2022
本文提出了一种用于高维协变量信息下随机实验治疗效果估计的风险一致回归调整的方法,并建议使用交叉估计方法来获得有限样本无偏的治疗效果估计,最后对自适应规范搜索和机器学习方法如随机森林或神经网络等进行了拓展分析。
Jul, 2016
在顺序实验中,通过使用自适应增广逆概率加权估计量和倾向得分截断技术,我们提出了一种有效的平均处理效应推断方法,能够在变动的样本规模下进行推断并具有较窄的置信区间。
Nov, 2023
本文研究了估计多重检验背景下的效应大小分布的问题。我们提出了一种简单、高效的估计器,可使用廉价的试验数据,在比识别发现类试验所需采样数量显著少的情况下,估计该分布。该估计器可用于保证未来试验中给定实验设计中将被发现的发现数量,并展示了在 Drosophila 上进行的流感抑制基因敲除试验数据的有效性。
Feb, 2020
本文研究了概率测度 $P$ 均值的健壮估计量,提出了一种稍微复杂的构造方法以处理健壮 $M$- 估计问题,并将该方法应用于最小二乘密度估计、具有 Kullback 损失的密度估计以及非高斯、不受限制的随机设计和异方差回归问题,同时作者表明该策略也可以用于数据只被假设为混合的情况。
Dec, 2011
本文讨论了机器学习模型在线实验所面临的问题,指出常用的 A/B-tests 并不能保证无偏估计。因此,文章提出了对从事此领域的从业人员和研究人员的影响及解决方案。
Apr, 2023
本研究使用有效的工具变量来考虑具有任意机器学习方法的异质性处理效应估计,并减少了问题到最小化一个适当的损失函数(依赖于一组辅助模型,每个模型对应一个独立的预测任务)的规模。
May, 2019