学习众多弱实验中处理效应的协方差
统计方法学
2024-07-31 v2
摘要
当主要目标不敏感或滞后时，实验者可能会转而关注源自次要结果的代理指标。例如，科技公司通常根据产品干预对短期用户参与信号的影响来推断其长期影响。我们考虑对许多历史实验进行荟萃分析，以学习处理效应在这些结果上的协方差，从而支持此类代理指标的构建。即使实验数量充足，如果处理效应较弱，跨实验估计处理效应的协方差也可能存在高度偏差。我们受弱工具变量分析的启发，克服了这一问题。我们表明，有限信息最大似然估计（LIML）学习的参数等价于对处理效应散点图的变换进行总体最小二乘拟合，而刀切法工具变量估计（JIVE）学习的另一个参数可通过跨实验刀切法协方差矩阵的平均值计算得出。我们还提出了在同方差条件下针对后者的总体协方差估计量，该估计量等价于一个 类估计量。我们展示了如何在各种结构模型下利用这些参数构建无偏代理指标。最后，我们讨论了我们的方法在 Netflix 的实际应用。
引用
@article{arxiv.2402.17637,
title = {Learning the Covariance of Treatment Effects Across Many Weak Experiments},
author = {Aurélien Bibaut and Winston Chou and Simon Ejdemyr and Nathan Kallus},
journal= {arXiv preprint arXiv:2402.17637},
year = {2024}
}
备注
Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining