数据驱动的切换实验：理论权衡与经验贝叶斯设计
统计方法学
2024-06-12 v1 机器学习
计量经济学
定量方法
摘要
我们研究在单个聚合单元上进行的切换实验的设计与分析。设计问题在于将连续时间空间划分为区间并在区间之间切换处理，以最小化处理效应的估计误差。我们表明，估计误差取决于四个因素：迁移效应、周期性、序列相关的结果以及来自同时实验的影响。我们推导了严格的偏差-方差分解，展示了这些因素对估计误差的权衡。该分解提供了三项新的见解，指导设计选择：首先，在治疗区间和对照区间之间平衡周期性可降低方差；其次，切换频率较低可减少迁移效应带来的偏差，但会增加序列相关结果的方差，反之亦然；第三，随机化区间的开始和结束点可同时减少来自同时实验的偏差和方差。结合这些见解，我们提出了一种新的经验贝叶斯设计方法。该方法利用先前数据和实验来设计未来的实验。我们使用来自共享出行平台的真实数据说明了这一方法，使该平台使用的当前设计方案相比后者可降低 33% 的均方误差。
引用
@article{arxiv.2406.06768,
title = {Data-Driven Switchback Experiments: Theoretical Tradeoffs and Empirical Bayes Designs},
author = {Ruoxuan Xiong and Alex Chin and Sean J. Taylor},
journal= {arXiv preprint arXiv:2406.06768},
year = {2024}
}