MUSE：用于获胜选择与效应估计的多处理实验设计

我们研究了具有多个处理水平的实验设计，这种设定在临床试验和线上 A/B/n 测试中常见。与单处理研究不同，实际的多处理实验分析通常首先选择获胜处理，然后仅估计其中所含的效应。为此，我们提出了 MUlti-treatment experiments 设计，以联合最大化获胜选择和效应估计的准确性（MUSE）。具体而言，我们引入一个平衡选择与估计的单一目标，并通过优化该目标来确定单位的处理分配与对照组。理论上，我们建立了有限样本保证，并证明了本方案与针对真实最优处理和对照组的 Neyman 分配在渐近意义上等价。在模拟和真实数据应用中，我们的方法在选择和估计方面均优于各种标准备选方案。