📈 economics

Anytime-Valid Inference in Adaptive Experiments: Covariate Adjustment and Balanced Power

本文提出了 MADCovar 和 MADMod 两种方法，通过协变量调整和动态样本重分配，在保持自适应实验（如多臂老虎机）中平均处理效应估计的随时有效推断保证的同时，显著提升了估计精度并平衡了各处理臂的统计功效。

原作者： Daniel Molitor, Samantha Gold

发布于 2026-02-16

📖 1 分钟阅读☕ 轻松阅读

原作者： Daniel Molitor, Samantha Gold

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文主要解决了一个现代实验设计中的“两难困境”：我们既想像智能导航一样，在实验过程中实时调整策略（把更多资源给效果好的方案），又想像严谨的法官一样，能随时给出一个绝对可信的结论。

作者提出了两个新工具（MADCovar 和 MADMod），让这种“智能实验”变得更聪明、更公平、更精准。

为了让你更容易理解，我们可以把整个实验过程想象成在一个巨大的迷宫里寻找宝藏，或者在一家餐厅里测试哪道菜最好吃。

1. 背景：传统的“死板”vs. 现代的“智能”

传统实验（随机对照试验 RCT）：
想象你要测试 5 种新口味的冰淇淋。传统做法是：不管大家喜欢哪种，你强制让 1000 个人每人尝一种，每种口味分 200 人。
- 优点： 结论非常稳，像尺子量过一样准。
- 缺点： 效率低。如果前 10 个人都讨厌“香菜味”，你还要硬塞给后面 190 个人吗？这既浪费钱，又让参与者吃了不喜欢的东西。
现代自适应实验（多臂老虎机 MAB）：
现在的做法是：像智能导航一样。刚开始大家随机尝，一旦发现“香草味”大家都喜欢，系统就自动把后面的人更多地引导去尝香草味，减少“香菜味”的测试人数。
- 优点： 效率极高，能迅速找到最好的口味，让大多数人吃到好吃的。
- 缺点（论文要解决的问题）：
  1. 结论不可信： 因为分配人数变了，传统的统计公式会失效，就像用一把被拉伸的尺子去量东西，结果不准。
  2. 冷门口味被忽视： 系统太聪明，只盯着“香草味”猛推，导致“薄荷味”（虽然不如香草好，但也还行）根本没机会被充分测试。万一香草味其实有个小缺陷，而薄荷味其实很完美呢？我们可能永远发现不了。

2. 解决方案一：MADCovar（给实验装上“透视眼镜”）

问题： 即使使用了智能导航，得出的结论（比如“香草味比巧克力味好多少”）往往还是不够精确，误差范围很大（置信区间很宽）。

比喻：
想象你在测量两个人的身高差。

普通方法（MAD）： 直接拿尺子量。如果一个人穿了厚底鞋，另一个人没穿，或者一个人站得直，一个人弯腰，你的测量结果就会有很多“噪音”，导致你不敢确定谁真的更高。
MADCovar 方法： 给实验员戴上了一副**“透视眼镜”（协变量调整）**。这副眼镜能自动识别每个人的特征（比如：是否穿了鞋、身高基准线等）。
- 在计算差异时，眼镜会自动把这些“噪音”（比如鞋子厚度、姿势）扣除掉。
- 效果： 即使样本量没变，测量结果也瞬间变得非常清晰、精准。论文数据显示，这能让结论的精确度提升 40% 到 70%。

简单说： 它让实验在“智能分配”的同时，还能通过“修正数据”来消除干扰，让结论像高清照片一样清晰。

3. 解决方案二：MADMod（给实验加上“公平天平”）

问题： 智能导航太偏向“赢家”了。如果“香草味”稍微好一点点，系统就会把 90% 的人都派去试香草味，剩下的“薄荷味”只分到 10% 的人。这样我们就没法确定“薄荷味”到底好不好，因为样本太少，统计上没力气（Power 低）。

比喻：
想象你在管理一个**“资源分配委员会”**。

普通智能实验： 委员会看到“香草味”有点火，就疯狂把资源倾斜过去，完全不管其他口味。
MADMod 方法： 委员会里多了一位**“公平监督员”**。
- 当“香草味”已经非常确定是赢家（统计显著）时，监督员会按下一个按钮，强制减少分配给香草味的资源。
- 这些省下来的资源，会被重新分配给那些“还没被充分测试”的口味（比如薄荷味）。
- 效果： 虽然“香草味”的测试速度稍微慢了一点点，但所有口味的测试都变得更均衡、更有力。我们不仅能确定谁是冠军，还能确信那些“亚军”到底有没有潜力，不会冤枉任何一个好方案。

简单说： 它在“追求效率”和“保证公平”之间找到了平衡点，确保每个方案都有机会被充分检验，避免因为样本太少而漏掉好方案。

4. 总结：这对我们意味着什么？

这篇论文提出的两个方法（MADCovar 和 MADMod），就像是给现代实验设计装上了**“高精度镜头”和“公平分配器”**。

以前： 做自适应实验要么结论不准，要么只能盯着最好的那个看，不敢看其他的。
现在：
1. 更省钱、更人道： 不需要招募更多人来就能得到更准的结论（MADCovar）。
2. 更全面、更可靠： 既能快速找到最好的，又能确保其他方案没有被草率地“判死刑”（MADMod）。

这对医疗（测试新药）、教育（测试教学法）、政策制定（测试社会政策）等领域非常重要。它让科学家可以在实验过程中随时停下来看结果（随时有效），同时还能保证结论是靠谱的，并且不会让那些“差点就赢了”的好方案因为样本太少而被埋没。

一句话总结： 作者让“智能实验”不再只是“唯效率论”的投机者，变成了一个既聪明又严谨、既高效又公平的“全能科学家”。

1. 研究背景与问题陈述

背景：
自适应实验（如多臂老虎机，MAB）相比传统随机对照试验（RCT）具有显著的效率优势，能够快速识别最优处理臂、提高统计功效并最大化受试者福利。然而，这种效率是以牺牲统计推断的严谨性为代价的。

核心挑战：

推断无效性（Invalid Inference）： 在自适应实验中，处理分配 $W_t$ 依赖于历史数据和结果。这违反了传统平均处理效应（ATE）估计量（如均值差、逆倾向得分加权）所需的独立同分布或固定分配假设，导致标准置信区间失效，Type I 错误率膨胀。
统计功效不平衡（Imbalanced Power）： 自适应算法倾向于将样本集中分配给表现最优的处理臂，导致次优处理臂（Sub-optimal arms）样本量不足，统计功效低下，难以对这些臂进行可靠的推断。

现有方法的局限：

基于重加权的方法（如 Hadad et al., 2021）通常要求每个处理臂在任何时刻都有正的概率被选中，这排除了常见的“探索 - 利用”策略（如 ETC, UCB）。
基于“随时有效推断”（Anytime-Valid Inference）的混合自适应设计（MAD, Liang & Bojinov, 2024）解决了推断有效性问题，但其 ATE 估计量方差较大（置信序列宽），且未解决次优臂样本不足导致的功效不平衡问题。

2. 方法论

本文在 Liang 和 Bojinov (2024) 提出的混合自适应设计（MAD）框架基础上，提出了两种扩展方法：MADCovar 和 MADMod。

2.1 基础框架：混合自适应设计 (MAD)

MAD 通过混合完全随机分配策略和自适应分配策略 $A$ 来工作。对于单位 $t$ ，分配给处理 $w$ 的概率定义为：
$p^{MAD}_t(w) = \delta_t \left(\frac{1}{K}\right) + (1 - \delta_t) p^A_t(w)$
其中 $\delta_t$ 是随时间衰减的确定性序列（ $\delta_t = \omega(t^{-1/4})$ ），确保在长期中保留足够的随机性以进行无偏估计，同时利用自适应策略提高效率。

2.2 方法一：MADCovar（协变量调整的 MAD）

目标： 在保持随时有效推断的同时，通过协变量调整显著提高 ATE 估计的精度（缩小置信序列宽度）。

核心机制：

采用 Robins 和 Rotnitzky (1995) 的协变量调整估计量形式。
定义个体处理效应估计量 $\hat{\tau}_i$ ：
$\hat{\tau}_i = \hat{\mu}_1(X_i) - \hat{\mu}_0(X_i) + \frac{\mathbb{I}\{W_i=1\}(Y_i - \hat{\mu}_1(X_i))}{p^{MAD}_i(1)} - \frac{\mathbb{I}\{W_i=0\}(Y_i - \hat{\mu}_0(X_i))}{p^{MAD}_i(0)}$
其中 $\hat{\mu}_w(X_i)$ 是基于历史数据拟合的任意结果模型（如 OLS、正则化回归等）。
理论保证： 在 bounded outcome model 假设下，该估计量是无偏的，且基于通用渐近置信序列（Universal Asymptotic CS）理论，构建了有效的 $(1-\alpha)$ 渐近置信序列。

2.3 方法二：MADMod（功效修正的 MAD）

目标： 解决自适应采样导致的统计功效不平衡问题，动态将样本重新分配给统计功效不足的次优处理臂。

核心机制：

引入重要性权重 $w_k(t) \in [0, 1]$ 来控制样本分配。
重加权流程：
1. 生成权重： 如果处理臂 $k$ 尚未达到统计显著性（即置信序列未排除 0），则 $w_k(t)=1$ ；若已达到显著性，则 $w_k(t)$ 按预设函数（如多项式衰减）开始下降。
2. 调整概率： 将原始自适应概率 $p^A_t(k)$ 乘以权重得到 $p^*_t(k)$ 。
3. 重新分配： 计算因降权而损失的总概率质量 $L_t$ ，并根据剩余臂的相对权重比例，将 $L_t$ 重新分配给所有臂（特别是那些权重较高、即尚未显著或需要更多样本的臂）。
灵活性： 研究人员可以通过选择衰减函数（如 $1/t^{1/10}$ 或固定折扣）来平衡“利用（Efficiency）”与“探索（Power）”的权衡。

3. 主要贡献

MADCovar 的提出： 首次将协变量调整引入混合自适应设计框架。该方法不仅保留了 MAD 的无偏性和随时有效推断特性，还通过利用协变量信息大幅降低了估计方差。
MADMod 的提出： 提出了一种算法机制，在不破坏推断有效性的前提下，动态平衡各处理臂的样本分配，解决了自适应实验中次优臂“欠采样”的问题。
理论扩展： 证明了在协变量调整下，MAD 框架依然满足 Lindeberg 型一致可积条件，从而保证了渐近置信序列的有效性。
开源实现： 提供了 Python 开源包（pyssed），包含所有方法的实现及复现代码，降低了应用门槛。

4. 实验结果

4.1 模拟实验

MADCovar 精度提升： 在不同协变量信号强度（低、中、高）和无关协变量数量（2 到 47 个）的设定下，MADCovar 相比标准 MAD 将置信序列（CS）宽度平均减少了 40%-70%。即使在包含大量无关协变量时，精度提升依然稳健。
MADMod 功效提升： 在 4 臂老虎机模拟中，MADMod 显著降低了次优臂（效应量较小）的 Type II 错误率，同时保持了最优臂的推断精度。虽然牺牲了部分样本分配效率（即次优臂获得了更多样本），但换来了所有臂的可靠推断。

4.2 真实世界数据验证

大规模政治 RCT 复现： 利用 Voelkel et al. (2024) 包含 32,000 名参与者的政治 RCT 数据进行了模拟。
结果： MADCovar 在真实数据中实现了与模拟一致的精度提升，置信序列宽度减少了 60%-75%。这证明了该方法在复杂现实场景中的有效性。

5. 意义与影响

提升实验效率与伦理： MADCovar 允许在更小的样本量下获得相同的精度，或在相同样本量下获得更窄的置信区间。这降低了研究成本，加速了科学发现，并减少了受试者暴露在次优治疗下的风险。
全面评估干预措施： MADMod 使得研究人员能够对所有处理臂（而不仅仅是“赢家”）进行统计功效充足的推断。这对于政策制定至关重要，因为次优的干预措施在特定场景下可能依然具有实用价值。
灵活性与实用性： 与 Simchi-Levi 和 Wang (2024) 提出的理论最优但难以通用的方法不同，MADMod 允许研究人员根据具体目标（如更看重效率还是更看重全面功效）灵活调整参数，具有极强的工程落地性。
推动自适应实验的普及： 通过解决“推断无效”和“功效不平衡”两大痛点，本文方法使得自适应实验从理论走向广泛的实际应用（如医疗、教育、社会政策）成为可能。

总结

本文通过 MADCovar（协变量调整）和 MADMod（功效平衡重分配）两个创新方法，完善了混合自适应设计（MAD）框架。它们不仅解决了自适应实验中长期存在的统计推断难题，还显著提升了估计精度和统计功效的均衡性，为应用研究者提供了一套既高效又严谨的工具箱。