自适应实验设计中更强的 Neyman 遗憾保证
统计方法学
2025-02-25 v1 机器学习
统计理论
机器学习
统计理论
摘要
我们研究了在基于设计的潜在结果框架下，用于无偏平均处理效应（ATE）估计的自适应序贯实验设计。我们的目标是开发提供次线性 Neyman 遗憾的自适应设计，这意味着其效率必须逼近事后最优非自适应设计的效率。最近的工作 [Dai et al, 2023] 引入了 ClipOGD，这是第一种在温和条件下实现 期望 Neyman 遗憾的方法。在本工作中，我们提出了具有更强 Neyman 遗憾保证的自适应设计。具体而言，我们修改了 ClipOGD，在自然的有界性假设下获得了随时 的 Neyman 遗憾。此外，在实验单元具有预处理协变量的设置下，我们引入并研究了一类上下文“多组”Neyman 遗憾保证：给定基于协变量的任意可能重叠的组集合，该自适应设计优于每个组的最佳非自适应设计。具体而言，我们开发了一种具有 随时多组 Neyman 遗憾的上下文自适应设计。我们通过一系列实验实证验证了所提出的设计。
引用
@article{arxiv.2502.17427,
title = {Stronger Neyman Regret Guarantees for Adaptive Experimental Design},
author = {Georgy Noarov and Riccardo Fogliato and Martin Bertran and Aaron Roth},
journal= {arXiv preprint arXiv:2502.17427},
year = {2025}
}