Dec, 2023

在线实验中持续时间推荐的效应大小估计：利用层次模型和客观效用方法

PDF
TL;DR基于数据驱动的在线实验，提出了两种方法：使用考虑实验差异性的三层高斯混合模型来估计期望效应大小，以及基于效用理论来确定最佳效应大小，通过与基准方法的比较，表明了这些方法的卓越性能。
发现论文，激发创造
  • 使用工具进行异质性处理效果的机器学习估计

    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

  • 在结构不确定性下改进基于数据驱动的异质性处理效应估计

    该研究通过开发一种考虑每个特征值对异质性治疗效果估计的特征选择方法，并从数据中学习相关部分的因果结构，为处理真实世界数据的因果结构问题提供了解决方法。研究结果表明，该方法在任意潜在因果结构下均优于现有的数据驱动异质性治疗效果估计方法，并可降低异质性治疗效果估计误差。

    Jun, 2022

  • 估计非零假设数目和效应大小

    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

  • 在线实验中的收缩估计器

    本研究开发并分析了经验贝叶斯斯坦型估计量，用于在大规模在线实验中估计因果效应。我们通过对 Facebook 在 2017 年 4 月至 6 月进行的 17 个大规模实验的研究来展示这些性质。

    Apr, 2019

  • 基于数据驱动的异质性治疗效应估计

    本文综述了数据驱动方法在异质性治疗效应估计上的应用，分为基于反事实预测和直接估计因果效应的方法，还有从数据中学习模型结构的结构因果模型方法，并在不同结构模型机制下进行了实证评估。

    Jan, 2023

  • 贝叶斯最优实验设计中的度量标准在模型不准确性下的应用

    本文介绍了一种扩展的贝叶斯决策实验设计框架，不仅考虑了传统的期望信息增益准则，还引入了期望一般信息增益和期望鉴别信息等准则，以量化模型差异的稳健性和实验检测模型差异的能力。通过应用于一个带有模型差异的弹性质量阻尼系统和 F-16 模型的场景中，展示了该框架的功能。

    Apr, 2023

  • 在线机器学习实验中的常见误解

    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

  • 假设检验与机器学习：使用 Cohen 的 f2 解释深度人工神经网络中的变量效应

    本文提出了一种基于现有的可解释人工智能（XAI）方法的、适用于机器学习的无模型假设检验框架，其中利用 Fisher 的变量置换算法计算等效于 OLS 回归模型的 Cohen's f2 的效应量度量，并将 Mann-Kendall 检验和 Theil-Sen 估计器应用于 Apley 的累积局部效应图，以指定变量的影响方向和统计显著性。该方法在人工数据集和社会调查中得以证明其有效性。

    Feb, 2023

  • 机器学习估计异质性因果效应：实证蒙特卡罗证据

    本研究通过实证蒙特卡洛研究，研究了不同聚合级别下异质因果效应的因果机器学习估计器的有限样本性能，并提供了支持这些估计器的证据。

    Oct, 2018

  • 基于累积局部效应的机器学习和经典技术的统计推断

    通过引入创新工具和技术，我们提出了一种基于 Accumulated Local Effects (ALE) 模型无关方法的统计推断，建立了适用于数据集大小的自举置信区间，并引入了直观指示对结果变量尺度和规范化尺度效应的 ALE 效应量度量。此工作推动了 ALE 在机器学习和统计分析中的适用性，为该领域的主要挑战提供了实用的解决方案。

    Oct, 2023