在绑架设计|艺术欧文

Algo小时
- 旧金山,加利福尼亚州

视频:

艺术欧文是斯坦福大学统计局的教授和主席。他的教学专注于应用统计数据,包括实验设计和蒙特卡罗方法。他最为闻名地发明了实证可能性和随机化准蒙特卡罗方法的工作。经验似然是一种不需要参数分布的数据驱动的可能性,但具有与参数似然方法相当的功率。随机化QMC是一个可以接近\(\ mathcal {o}(n ^ {-3})\)错误方差的蒙特卡罗方法。他咨询了广告效率,然后点击欺诈。他建议了23个博士学生。他是ASA和IMS的同事,并收到了来自ASA的非参数统计数据的2021奖。

谈论摘要:

假设我们有一个奖励顶级客户的计划。如果我们后来想要衡量其因果影响,我们可以比较刚刚勉强错过的人的客户。该方法的统计方法称为回归不连续性设计。在一个突破性的设计中,我们有三组:那些肯定会收到奖励,那些确定的人和一个中间集团的决定基于随机硬币折腾。此谈话显示了随机组大小的单调效率如何增加统计效率。完全随机分配是A / B测试,它是我们模型中的RDD有效的4倍。随机化成本是对现有客户的效率较低,产生勘探/剥削权衡的客户。有趣的是,没有奖励概率的滑块,超过0%,50%和100%。最近的发现是,当使用局部线性内核回归方法时,焊缝设计的效率优势也保持了。

这项工作的大部分是为谷歌完成的,而不是艺术欧文斯坦福职责的一部分。

带回家消息:

当可能和道德时,通过将一点随机性注入决策规则,有很多东西可以获得。激励例子是客户忠诚度计划。

这篇文章! 帖子在linkedin
多线程

来吧我们!

我们是一支多元化的团队,致力于建立伟大的产品,我们喜欢你的帮助。你想用惊人的同伴建造惊人的产品吗?加入我们!