广义线性模型中非均匀处理效应的惩罚性在线顺序检验

在广泛使用A/B测试方法进行惩罚性策略决策的场景中，识别非均匀处理效应（HTEs）日益受到关注，尤其是在连续在线收集样本的情形下。然而，在高维情形中，这种识别在样本实例不足以支持每个批次按顺序在线收集的方面仍具有检测HTEs的检测功效不足的挑战。本文提出了一种新颖的高维检验方法，称为惩罚性在线顺序检验（POST），用于在广义线性模型（GLMs）中识别HTEs并选择有用的协变量，同时实现高检测功效并控制Type I误差。开发了惩罚得分检验统计量，并为在线收集样本构建扩展的p值过程，进一步将POST方法扩展到多个在线测试场景，在此场景中同时实现高真阳性率和受控的假发现率。建立了渐近结果，为保证POST的性质提供了论证，并通过仿真和真实数据分析评估了其性能，与当前最先进的在线检验方法进行了比较。我们的发现表明，POST方法在选择一致性和检测HTEs方面表现出卓越的检测功效，同时对Type I误差实现了优异的控制，这赋予了该方法及时且高效地进行GLMs框架下在线A/B测试推断的能力。