Target-Weighted Neyman Allocation: Experimental Design for Heterogeneous Treatment Effects under Population Shift
University of New South Wales（新南威尔士大学）；Florida Atlantic University（佛罗里达大西洋大学）
该研究针对分布偏移下异质性处理效应的实验设计问题，提出TWNA方法，通过两阶段分层设计平衡部署重要性与统计难度，在兼具部署重要性与测量难度的组上收益最大。
2026-08-10 cs.LG stat.ME
Optimizing Treatment Allocation in the Presence of Interference
KU Leuven（卢森堡大学）；University of Cambridge（剑桥大学）
针对网络干扰下传统增益建模排序次优、影响最大化与增益建模研究脱节的问题，提出两阶段OTAPI方法，结合因果估计与经典IM算法求解最优治疗分配，在合成及半合成数据集上表现更优。
2025-06-04 cs.LG cs.SI stat.ML
Optimal Experimental Design for Network Experiments under Interference
Texas Tech University（德克萨斯理工大学）
针对网络干扰下治疗分配优化问题，提出感知网络的治疗分配框架，开发高效局部搜索算法，经模拟及真实网络验证，该方法可优化实验设计并提升实际应用优势。
2026-08-27 stat.ME
A Matching Procedure for Sequential Experiments that Iteratively Learns which Covariates Improve Power
我们提出了一个动态分配程序，提高功率和效率时，测量的平均处理效应在序贯随机试验利用一些受试者的先前评估的反应。受试者按顺序到达，随机分配或与先前随机分配的受试者配对，并接受替代治疗。配对是通过动态匹配标准进行的，该标准迭代地学习哪些特定协变量对响应是重要的。我们开发了平均处理效应的估计量以及精确检验。我们说明了我们的方法在模拟场景和临床试验数据集的效率和权力比其他分配程序的增加。R软件包“SeqExpMatch”可供从业者使用。
2021-06-02 stat.ME
A computational method for type I error rate control in power-maximizing response-adaptive randomization
本研究针对功效最大化响应自适应随机化(RAR)中I型错误率膨胀问题，提出在精确检验下分析传统RAR功效并评估约束马尔可夫决策过程(CMDP)程序，通过结合无条件精确检验与CMDP程序，在控制错误率的同时实现显著功效提升。
2025-09-15 stat.ME
Improving the Power of the Randomization Test
本文研究了以随机化检验对单侧原假设的把握度为准则的双臂随机化试验设计的评价问题。我们的评价假设一个观察到的协变量、一个未观察到的组分和一个加性处理效应的响应是线性的，其中唯一的随机性来自治疗分配。众所周知，功效取决于所观察协变量中的分配不平衡，这就是经典限制性设计（如重新随机化）的原因。我们发现，电源也受到其他两个设计选择：分配的数量在设计和分配之间的线性依赖的程度。我们证明了更多的分配，更高的权力和更低的变化的权力。具有更大的分配独立性的设计也被证明具有更高的性能。我们的理论研究结果和广泛的模拟研究表明，具有最高功效的设计提供了数千个高度独立的分配，每个分配都提供了所观察到的协变量的名义不平衡。这些高功效设计表现出比完全随机化更少的随机化和比最近提出的基于数值优化的设计更多的随机化。实践实验者的模型选择是重新随机化和贪婪对切换，两者都优于完全随机化和数值优化。我们发现的权衡也提供了一种方法来指定重新随机化时的不平衡阈值参数。
2020-08-13 stat.ME
Minimizing Type 2 Errors in an Experiment-Rich Regime via Optimal Resource Allocation
Stephen M. Ross School of Business, University of Michigan（密歇根大学罗斯商学院）
本文研究在实验丰富环境下如何分配有限资源以最小化II类错误，提出通过修正因子提升检测效能的方法，理论分析与实验验证显示其在实践中具有竞争力。
2026-03-17 stat.ME
Treatment bootstrapping: A new approach to quantify uncertainty of average treatment effect estimates
本文提出一种仅对治疗组自助抽样并通过倾向得分匹配寻找对照组的非参数自助法，以量化平均治疗效果估计的不确定性，模拟和实证显示其覆盖率不低于95%且精度优于现有方法。
2024-08-19 stat.AP stat.ME
Causal Machine Learning for Cost-Effective Allocation of Development Aid
ETH Zurich（苏黎世联邦理工学院）；LMU Munich（慕尼黑大学）；Munich Center for Machine Learning（慕尼黑机器学习中心）
提出包含平衡自编码器、反事实生成器和推断模型的因果机器学习框架，以预测援助的异质性处理效应，并基于HIV援助数据证明其可显著优化援助分配。
2024-06-15 cs.LG stat.ML
Metalearners for Ranking Treatment Effects
KU Leuven（鲁汶大学）；University of Antwerp（安特卫普大学）
本文提出基于学习排序的元学习器方法，通过按增量利润优先级直接学习预算约束下的处理分配策略，并设计高效采样程序以扩展至大规模数据，在合成与真实数据上验证了其有效性。
2024-05-03 cs.LG stat.ML
Model-assisted design of experiments in the presence of network correlated outcomes
我们考虑的问题，如何分配治疗的随机实验中，结果之间的相关性是由一个网络可用的预干预通知。在潜在结果因果框架内工作，我们开发了一类模型，该模型支持结果之间的这种相关结构。然后，我们利用这些模型来开发有限的随机化策略，通过最小化估计的平均处理效应的均方误差来最佳地分配治疗。由于模型和随机化分布，均方误差的分析分解提供了对最优设计方面的见解。特别是，分析提出了新的概念，平衡的基础上特定的网络数量，除了经典的协变量平衡。由此产生的平衡，最优的限制随机化策略仍然是设计无偏的，在用于导出它们的模型不成立的情况下。我们说明了建议的治疗分配策略如何改善分配，忽略了网络结构，广泛的模拟。
2017-05-18 cs.SI physics.soc-ph stat.ME
Optimal Treatment Allocation for Efficient Policy Evaluation in Sequential Decision Making
针对序贯决策场景下的在线实验治疗效应精准估计问题，提出三种适配非/时变马尔可夫决策过程的最优分配策略，结合OPE方法验证有效性，理论证明其最优性并给出估计量均方误差上界。
2023-11-05 stat.ME
Quantifying Aleatoric Uncertainty of the Treatment Effect: A Novel Orthogonal Learner
本文提出了一种新的正交学习者（AU-learner），用于量化治疗效应的偶然不确定性，通过部分可识别性方法获得CDTE的精确界限，并展示了其在Neyman正交性和准Oracle效率方面的优势。
2026-03-12 cs.LG stat.ML
Sequential estimation for covariate-adjusted response-adaptive designs
在临床试验中，协变量调整的反应自适应（CARA）设计允许新进入试验的受试者有更好的机会根据既往受试者的累积信息被分配至更优的治疗方案，并根据个体协变量信息调整分配。由于该设计按顺序分配受试者，因此很自然地应用顺序方法来估计处理效应，以使数据分析更有效。本文研究一般CARA设计的处理效应的序贯估计。提出了一个停止准则，使得当停止采样时，估计满足给定的精度。在所提出的停止准则下，得到了估计和停止时的性质.此外，我们表明，分配函数的渐近性质，根据建议的停止规则，是在非顺序/固定样本量对应相同。然后，我们说明了所提出的程序的性能与一些使用逻辑模型的模拟结果。讨论了初始样本量和效用函数中调整参数不同组合下的处理效应覆盖概率、正确分配比例和平均样本量等性质。
2011-06-20 stat.AP
The impact of heteroskedasticity on uplift modeling
Humboldt University Berlin（柏林洪堡大学）
本文揭示训练数据异方差性会使 uplift 模型的个体处理效应排序产生系统性偏差，并通过理论、模拟与真实数据验证，指出需改进处理优先级分配方法。
2023-12-08 cs.LG stat.ML
Adaptive treatment allocation and selection in multi-arm clinical trials: a Bayesian perspective
临床试验是一种基于精心设计的实验证据做出明智决策的工具。在这里，我们主要从多组II期临床试验的角度考虑适应性设计，其中将一种或多种实验治疗与对照进行比较。假设个体试验受试者的治疗分配根据固定区组随机化进行，尽管有一个重要的扭曲：在每个测量结果后，根据相应模型参数的后验分布评估每个治疗组的性能。然后根据预定义的标准并使用关节后部作为此类评估的基础，将不同的治疗组相互比较。如果发现治疗明显劣于当前最佳候选治疗，则可以暂时或永久关闭该治疗，不再增加参与者。后一种可能性提供了一种适应性治疗选择的方法，包括提前停止试验。本文的主要发展是在二元结果方面，但也讨论了一些扩展，特别是处理事件发生时间数据。列报方式在很大程度上是比较性和暂时性的。
2021-08-30 stat.ME
Discussion of the paper "Optimal treatment allocations in space and time for on-line control of an emerging infectious disease'' by E. B. Laber, N. J. Meyer, B. J. Reich, K. Pacifici, J. A. Collazo and J. Drake
本文是对E。B. Laber，N. J. Meyer，B. J. Reich，K. Pacifici，J. A. Collazo和J.Drake，为皇家统计学会杂志系列C做出了贡献
2020-06-30 stat.ME
On optimal allocation of treatment/condition variance in principal component analysis
主成分分析（PCA）中条件效应分配错误（方差分配错误）的问题已在脑电事件相关电位研究中得到解决。然而，PCA组件的条件效应的正确分配可能是相关的几个领域的研究。本文探讨是否在每个条件水平的不同加载模式的基础上，主成分的条件间方差的最优分配。事实证明，在每个条件水平相似的加载形状是条件间方差的最优分配的必要条件，而类似的加载幅度是不必要的。
2018-04-19 stat.AP stat.ME
Optimal Patient Allocation in Multi-Arm Clinical Trials
多组多阶段试验是一项多组试验，包括中期分析-在某些特定时间点分析数据，通常停止结论为无效的治疗，并继续进行其余治疗。通过考虑分配比R，多组试验相对于单组试验的优势可能会进一步增强。对于R：1的分配比例，Rn例患者被分配到对照组，n例患者被分配到每个活性治疗组，在本研究中，最佳分配比例将被定义为导致最小总样本量满足某些要求的把握度和第一类错误概率的分配比例。在临床试验中，这是一个直观的定义，因为较小的试验通常比满足相同错误率的较大试验更符合伦理，成本更低。本文的目的是探讨在多个活性治疗组的情况下的最优分配比例。第2节描述了K个活性治疗组的单阶段试验的设置，以及Dunnett关于这种情况下最佳分配比的声明的简要说明。推导出了第一类错误和功效的方程，并描述了用于研究如何使用分配比使总样本量最小化的方法。然后考虑使用相同的方法进行两阶段试验。在第3节中给出了显示总样本量如何随第一类错误和把握度值范围内的分配比变化的图表。第3节还介绍了改变分配比例可能带来的道德和财务利益，包括一个简单的例子。第4节讨论了这些结果及其实际意义。
2022-11-11 stat.ME
Optimal Adaptive SMART Designs with Binary Outcomes
针对SMART设计中各阶段治疗最优分配方法不足的问题，提出一种最优自适应分配程序以最小化二元结果试验的预期治疗失败次数，并通过理论与模拟验证及M-Bridge研究展示其适用性。
2023-10-31 stat.ME
Conditional Information and Inference in Response-Adaptive Allocation Designs
响应自适应分配设计是指一类设计，其中在整个实验过程中，基于累积的响应，观察值分配给处理的概率发生变化。此类程序导致随机处理样本量。目前大多数文献认为无条件推理程序的响应自适应分配设计的分析。这项工作的重点是推断条件的观察到的治疗样本量。信息的逆是对参数估计值的大样本方差的描述。导出了条件信息相对于无条件信息的一种简单形式。研究发现，条件信息可以大于无条件信息。它还表明，条件最大似然估计的方差可以小于无条件最大似然估计的方差。最后，一个有条件的引导程序的开发，在大多数情况下检查，导致较窄的置信区间比相关的无条件程序。
2019-09-18 stat.ME
On the almost sure convergence of adaptive allocation procedures
在本文中，我们提供了一些一般的自适应设计的治疗比较，在存在和不存在协变量的收敛结果。特别是，我们证明了几乎肯定收敛的治疗分配比例的一个巨大的类的自适应程序，还包括设计，还没有正式调查，但主要是通过模拟，如阿特金森的最佳偏硬币设计，波考克和西蒙的最小化方法和它的一些概括。即使在文献中的绝大多数建议依赖于连续分配规则，我们的研究结果允许通过一个独特的数学框架，证明基于连续和不连续的随机化函数的自适应分配方法的收敛性。虽然早期作品的几个例子，以提高适用性，我们的方法提供了大量的见解，为未来的建议，特别是在没有一个前缀的目标和分配规则的序列为特征的设计。
2015-05-29 stat.ME
Effective treatment allocation strategies under partial interference
本文在部分干扰框架下提出新的因果估计量和标准化加权估计器，用于刻画处理效应异质性并识别有影响力的个体特征，通过模拟和中国集群实验验证其有效性。
2025-04-09 stat.AP stat.ME
Optimal Allocation of Gold Standard Testing under Constrained Availability: Application to Assessment of HIV Treatment Failure
世界卫生组织（WHO）关于监测资源有限环境中艾滋病毒治疗有效性的指南（RLS）主要基于临床和免疫学标志物（例如，CD4细胞计数）。最近的研究表明，这些准则是不够的，可能导致高错误率。病毒载量（VL）被认为是“黄金标准”，但其广泛使用受到成本和基础设施的限制。在本文中，我们提出了一种诊断算法，使用信息收集的临床和免疫学标志物，以指导选择性使用VL检测诊断艾滋病毒治疗失败，假设VL检测仅在一定部分的患者就诊。我们的算法识别患者亚群，使得对他们使用有限的VL测试最小化预定义的风险（例如，误诊率）。我们的建议算法的诊断性能进行评估模拟。为了说明，分析来自Miriam Hospital Immunology Clinic（RI，USA）的数据。
2020-10-01 stat.AP stat.ME
Design-Driven Inference for Online Experiments: Jointly Optimal Evidence Collection, Testing, and Estimation
School of Mathematics and Statistics, Beijing Institute of Technology（北京理工大学数学与统计学院）；School of Science, China University of Mining and Technology-Beijing（中国矿业大学（北京）理学院）；Department of Statistics, Beijing Normal University at Zhuhai（北京师范大学珠海校区统计学系）
针对在线多因素实验，提出设计驱动框架联合优化分配与证据规则，实现检验与估计双重最优，并通过模拟和LLM实验验证改进。
2026-10-07 stat.ME
A new Bayesian two-sample t-test for effect size estimation under uncertainty based on a two-component Gaussian mixture with known allocations and the region of practical equivalence
测试治疗组和对照组之间的差异是生物医学研究中的常见做法，如随机对照试验（RCT）。标准的双样本t检验依赖于通过p值进行的原假设显著性检验（NHST），其具有若干缺点。贝叶斯替代方案最近使用贝叶斯因子引入，贝叶斯因子有其自身的局限性。本文介绍了当前贝叶斯双样本t检验的替代方法，将基础模型解释为双组分高斯混合模型，其中效应量是临床研究中最相关的感兴趣的量。与p值或贝叶斯因子不同，所提出的方法侧重于不确定性下的估计，而不是明确的假设检验。因此，通过吉布斯采样器产生效应量的后验，随后用于不确定性下的估计或基于实际等效区域（ROPE）的明确假设检验。最后通过实例、理论结果和仿真研究验证了该方法的有效性，并在R软件包bayest中进行了检验。
2020-05-15 stat.ME
A Novel Statistical Test for Treatment Differences in Clinical Trials using a Response Adaptive Forward Looking Gittins Index Rule
反应适应性临床试验最常见的目标是通过在积累数据的基础上改变分配机会，确保试验中的患者有很大的机会接受最佳治疗。由于治疗分配的高度不平衡，在研究结束时检测治疗差异时，从频率论的角度来看，产生良好患者受益特性的方法具有低功效。在这项工作中，我们开发了一种替代成对检验的基础上，协变量调整的响应自适应随机化与前瞻性Gittins指数规则（CARA-FLGI）的分配概率的治疗差异。新的测试的性能进行了评估，在模拟双臂研究，然后说明其应用到多臂研究。当使用这类非近视反应适应时，所提出的测试比传统的Fisher精确测试具有显著提高的功效。我们还发现，该测试的权力是接近的权力下的Fisher精确检验等随机化。
2020-11-06 stat.AP stat.ME
Optimal Crossover Designs for Generalized Linear Models
我们确定了广义线性模型的局部$D$ -最优交叉设计.我们使用广义估计方程来估计模型参数及其方差。为了捕捉来自同一主题的观测之间的依赖性，我们提出了六种不同的相关结构。我们确定了不同序列的治疗单位的最佳分配。对于两个治疗交叉设计，我们通过模拟表明，最佳分配是合理的相关结构的不同选择的鲁棒性。我们讨论了一个真实的例子，使用拉丁方设计的多处理交叉实验。使用模拟研究，我们表明，我们的本地$D$ -最优设计在第二阶段的两阶段设计是更有效的比均匀设计，特别是当从同一主题的响应是相关的。
2020-01-17 stat.ME
Efficient Doubly Adaptive Biased Coin Designs for Multiple Treatments
School of Statistics and Data Science, Zhejiang Gongshang University（浙江工商大学统计与数据科学学院）
针对临床试验中响应自适应设计的多方面困境，提出通用框架定义高效设计族，证明相关最优性。在此基础上给出多治疗临床试验的双自适应偏置硬币设计族，兼具随机性和效率优势，并推导其理论性质。
2026-07-21 math.PR math.ST stat.ME
Evaluating the Effectiveness of Index-Based Treatment Allocation
Harvard University（哈佛大学）；Stanford University（斯坦福大学）；Google Research India（谷歌研究院印度分部）；Google Research（谷歌研究院）
本文提出了一种高效估计器和置信区间计算方法，用于评估基于指数的资源分配策略，解决了智能体间依赖性问题，并在mHealth项目中验证了其有效性。
2024-02-19 cs.AI cs.LG stat.ME
Adjusting SPRT for an Efficient Procedure with Finite Number of Applications of Less Effective Treatment
Indian Statistical Institute（印度统计学院）
本文提出了一种高效自适应序列方法，通过显式表达预期应用次数，平衡统计精度与伦理责任，提升序列检验的伦理效率与计算可行性。
2026-08-03 math.ST stat.ME stat.TH
On Response-Adaptive Targeting Strategies for Multi-Treatment Experiments
Univ. Lille, Inria, CNRS, Centrale Lille（里尔大学、法国国家信息与自动化研究所、法国国家科学研究中心、里尔中央理工学院）
提出统一框架αRTS，将两臂ERADE策略推广到多臂实验，证明渐近性质并引入强制探索变体解决稀疏目标问题。
2026-06-17 math.ST stat.ME stat.ML
Multi-objective optimal designs in comparative clinical trials with covariates: The reinforced doubly adaptive biased coin design
本文讨论的问题，分配患者到两个竞争的治疗中存在的协变量或预后因素，以实现良好的权衡之间的伦理问题，推理精度和随机性的治疗分配。特别是，我们提出了一个多用途的设计方法，结合效率和道德收益时，采用的线性同方差模型与治疗/协变量之间的相互作用和协变量之间的相互作用。随后的复合最优分配的治疗取决于协变量和他们的分布在人口的利益，以及对未知参数的模型。因此，我们引入了加强双自适应有偏硬币设计，即一般类的协变量调整的响应自适应程序，包括连续和不连续的随机化函数，旨在针对任何期望的分配比例。该建议的属性进行了描述，理论上和通过模拟。
2012-08-16 math.ST stat.ME stat.TH
