MARC

 008260126s2025        us                              c    eng  d
■001000017358748
■00520260202104746
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798290652559
■035    ▼a(MiAaPQ)AAI32149754
■035    ▼a(MiAaPQ)Stanfordym492tn8726
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a790
■1001  ▼aMorrison,  Timothy.
■24510▼aExperimental  Design  Methods  for  Treatment  Effect  Estimation  Under  Constraints
■260    ▼a[Sl]▼bStanford  University▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a125  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-01,  Section:  A.
■500    ▼aAdvisor:  Owen,  Art.
■5021  ▼aThesis  (Ph.D.)--Stanford  University,  2025.
■520    ▼aAcross  tech  platforms,  medical  trials,  and  a  host  of  other  settings,  causal  experiments  are  a  pop-ular  procedure  to  obtain  "gold  standard"  estimates  of  treatment  effects.  Despite  their  ostensible  simplicity,  such  experiments  can  present  a  host  of  challenges.  For  instance,  there  may  be  ethical  or  economic  constraints  on  who  can  receive  treatment,  there  may  be  non-compliance  issues  that  render  direct  treatment  assignment  impossible,  and  there  may  be  a  desire  to  maintain  constant  marginal  treatment  probabilities  for  fairness  and  interpretability.Moreover,  experiments  are  quite  resource  intensive.  The  process  of  collecting  and  tracking  study  participants  can  be  time-consuming  and  expensive,  and  many  companies  employ  whole  teams  of  statisticians  who  are  responsible  for  design  implementation.  Hence,  it  is  beneficial  to  ensure  that  each  experiment  is  as  powerful  as  possible  and  results  in  a  final  treatment  effect  estimate  with  low  variance.  To  that  end,  this  thesis  studies  three  problems  in  experimental  design  that  each  involve  deriving  a  low-variance  estimate  of  a  treatment  effect  under  constraints.1.1  Multivariate  tie-breaker  designsIn  Chapter  2  we  introduce  multivariate  tie-breaker  designs,  which  are  inspired  by  the  univariate  work  of  Owen  and  Varian  (2020).  In  a  tie-breaker  design  (TBD),  subjects  with  high  values  of  a  running  variable  are  given  some  (usually  desirable)  treatment,  subjects  with  low  values  are  not,  and  subjects  in  the  middle  are  randomized.  TBDs  are  intermediate  between  regression  discontinuity  designs  (RDDs)  and  randomized  controlled  trials  (RCTs).  TBDs  allow  a  tradeoff  between  the  resource  allocation  efficiency  of  an  RDD  and  the  statistical  efficiency  of  an  RCT.We  study  a  model  where  the  expected  response  is  one  multivariate  regression  for  treated  subjects  and  another  for  control  subjects.  We  propose  a  prospective  D-optimality,  analogous  to  Bayesian  op-timal  design,  to  understand  design  tradeoffs  without  reference  to  a  specific  data  set.  For  given  covariates,  we  show  how  to  use  convex  optimization  to  choose  treatment  probabilities  that  optimize  this  criterion.  We  can  incorporate  a  variety  of  constraints  motivated  by  economic  and  ethical  con-siderations.  In  our  model,  D-optimality  for  the  treatment  effect  coincides  with  D-optimality  for  the  whole  regression,  and,  without  constraints,  an  RCT  is  globally  optimal.We  show  that  a  monotonicity  constraint  favoring  more  deserving  subjects  induces  sparsity  in  the  number  of  distinct  treatment  probabilities.  We  apply  the  convex  optimization  solution  to  a  semi-synthetic  example  involving  triage  data  from  the  MIMIC-IV-ED  database.1.2  Constrained  design  of  a  binary  instrument  in  a  partially  linear  modelIn  Chapter  3  we  study  the  question  of  how  best  to  assign  an  encouragement  in  a  randomized  encouragement  study.  In  our  setting,  units  arrive  with  covariates,  receive  a  nudge  toward  treatment  or  control,  acquire  one  of  those  statuses  in  a  way  that  need  not  align  with  the  nudge,  and  finally  have  a  response  observed.  The  nudge  can  be  modeled  as  a  binary  instrument  if  one  assumes  that  it  affects  the  response  only  via  the  treatment  status.  Our  goal  is  to  assign  the  nudge  as  a  function  of  covariates  in  a  way  that  best  estimates  the  local  average  treatment  effect  (LATE).We  assume  a  partially  linear  model,  wherein  the  baseline  model  is  non-parametric  and  the  treat-ment  term  is  linear  in  the  covariates.
■590    ▼aSchool  code:  0212.
■650  4▼aDesign  optimization
■650  4▼aConvex  analysis
■650  4▼aEthics
■650  4▼aSample  variance
■650  4▼aBlood  pressure
■690    ▼a0394
■71020▼aStanford  University.
■7730  ▼tDissertations  Abstracts  International▼g87-01A.
■790    ▼a0212
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17358748▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서