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

该研究详细调查了 A/B 测试中的切换设计，通过在基准和新策略之间进行时间交替以评估其对结果平均处理效应（ATE）估计器准确性的影响。研究表明，当奖励误差大多正相关时，切换设计比每日轮换策略的交替日设计更有效；增加策略切换频率往往会降低 ATE 估计器的均方误差（MSE）；然而，当误差不相关时，所有设计都变得渐近等价；而当大多数误差为负相关时，交替日设计成为最优选择。这些洞见为 A/B 测试中实验设计提供重要的指导，同时为强化学习中政策评估的最优设计策略提供了全面的理解。

Mar, 2024

本研究提出了一种名为 UNITE 的新估计方法，可以在不知道具体底层网络的情况下，仅依赖于图中任意主体的邻居超集的信息，来识别全局平均治疗效应（GATE）。通过理论分析和大量实验证明，所提出的方法在比较中表现更好。

Apr, 2024

本文探讨了在干预效果评估实践中实用的两阶段实验分析方法，包括处理家庭大小变化问题、基于个人和家庭权重的无偏估计方法以及使用线性回归和随机化推断等方法，证明了这两种方法可以产生相同的点估计和方差估计，并提出了融合协变量以提高精度的选项。

Aug, 2016

提出了一种名为 SECRETS 的新框架，利用合成干预的算法来模拟交叉试验，可以在不使用任何外部数据的情况下估计 RCT 研究中每个患者的个体治疗效果，并使用新的假设检验策略来确定治疗是否具有临床意义的 ATE。

May, 2023

该研究提出了一种利用图聚类进行平均处理效应分析的新方法，包括确定被称作网络曝光的个体的图论条件，并使用聚类随机化算法计算每个顶点在多种曝光情况下的概率，并使用 Horvitz-Thompson 估计量提供无偏的效应估计。同时，该研究还展示了正确聚类随机化可以大大降低在干扰下实验中平均处理效应的估计方差。

May, 2013

利用半参数贝叶斯模型和 g - 计算框架，以医疗保险索赔数据为例，探索了在已知患有慢性背痛的病患中使用不同阿片类药物策略对住院率产生的影响，解决了再发事件速率计算中的治疗时间不精确导致的失调问题。

Apr, 2023

评估减少网络干扰的随机实验设计和分析方法，通过仿真实验证明这些方法能够在各种网络结构和社会行为中显著地减少偏差和误差，特别是对于网络中存在更多聚类的情况和数据生成过程中存在更强的治疗直接效应和单位之间更强的相互作用的情况。

Apr, 2014

本论文提出了一种新算法 ——Dual Weighting Regression (DWR)，其通过学习注意力权重和样本权重来解决网络场景下的干扰异质性问题，同时实验表明该算法优于目前的其他算法。

Oct, 2022

本篇论文通过建立时间连续的结构嵌套模型，提出可以在时间相关性干扰存在下，估算时间变化的治疗效应的概念框架和形式化方法，同时表明这样的估算器是准确和渐近正常的。

Oct, 2004