异方差感知的分层抽样以改进提升建模
统计方法学
2024-01-26 v1
摘要
在许多商业应用中，包括在线营销和客户流失预防，会进行随机对照试验 (RCT) 来研究特定处理（优惠券发放、广告邮件等）的效果。此类 RCT 允许估计平均处理效应，以及训练用于处理效应在个体间异质性的（提升）模型。这些 RCT 的问题在于成本高昂，且成本随纳入 RCT 的个体数量增加而增加。因此，有研究探讨如何进行涉及少量个体的实验，同时仍能获得精确的处理效应估计。我们为此文献贡献了一种异方差感知的分层抽样 (HS) 方案，该方案利用了不同个体在其结果中具有不同噪声水平这一事实，而精确的处理效应估计需要从“高噪声”个体获取比“低噪声”个体更多的观测值。通过理论和实证实验，我们证明，与完全随机抽样的 RCT 数据相比，我们的 HS 抽样能产生显著更精确的 ATE 估计，改进提升模型，并使其评估更可靠。由于应用相对容易且收益显著，我们预期 HS 抽样将在许多实际应用中具有重要价值。
引用
@article{arxiv.2401.14294,
title = {Heteroscedasticity-aware stratified sampling to improve uplift modeling},
author = {Björn Bokelmann and Stefan Lessmann},
journal= {arXiv preprint arXiv:2401.14294},
year = {2024}
}