Buchumschlag

Identifying Subgroup and Context Effects in Conjoint Experiments

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wang, Steven, Johnson, Isys, Grogan, Jessica, Jain, Lalit, Rudra, Atri, Hunt, Kyle, Joseph, Kenneth
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Methodology
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Adaptive Experimentation When You Can't Experiment
von: Zhao, Yao, et al.
Veröffentlicht: (2024)

An Algorithm for Identifying Interpretable Subgroups With Elevated Treatment Effects
von: Chiu, Albert
Veröffentlicht: (2025)

In-Sample Evaluation of Subgroups Identified by Generic Machine Learning
von: Xu, Shuoxun, et al.
Veröffentlicht: (2026)

Best of Three Worlds: Adaptive Experimentation for Digital Marketing in Practice
von: Fiez, Tanner, et al.
Veröffentlicht: (2024)

Estimating Heterogeneous Causal Effects of High-Dimensional Treatments: Application to Conjoint Analysis
von: Goplerud, Max, et al.
Veröffentlicht: (2022)

SubgroupTE: Advancing Treatment Effect Estimation with Subgroup Identification
von: Lee, Seungyeon, et al.
Veröffentlicht: (2024)

Using Machine Learning to Test Causal Hypotheses in Conjoint Analysis
von: Ham, Dae Woong, et al.
Veröffentlicht: (2022)

Learning Preferences from Conjoint Data: A Structural Deep Learning Approach
von: Acharya, Avidit, et al.
Veröffentlicht: (2026)

Hierarchical Regression Discontinuity Design: Pursuing Subgroup Treatment Effects
von: Sugasawa, Shonosuke, et al.
Veröffentlicht: (2023)

When Sensitivity Bias Varies Across Subgroups: The Impact of Non-uniform Polarity in List Experiments
von: Hatz, Sophia, et al.
Veröffentlicht: (2024)

Subgroup Identification with Latent Factor Structure
von: He, Yong, et al.
Veröffentlicht: (2024)

Fixed-Effects Models for Causal Inference in Longitudinal Cluster Randomized and Quasi-Experimental Trials
von: Lee, Kenneth M., et al.
Veröffentlicht: (2026)

Penalized Subgrouping of Heterogeneous Time Series
von: Crawford, Christopher M., et al.
Veröffentlicht: (2024)

CURLS: Causal Rule Learning for Subgroups with Significant Treatment Effect
von: Zhou, Jiehui, et al.
Veröffentlicht: (2024)

Subgroup analysis in multi level hierarchical cluster randomized trials
von: Chakraborty, Shubhadeep, et al.
Veröffentlicht: (2024)

Harmonized Estimation of Subgroup-Specific Treatment Effects in Randomized Trials: The Use of External Control Data
von: Schwartz, Daniel, et al.
Veröffentlicht: (2023)

Estimating Interpretable Heterogeneous Treatment Effect with Causal Subgroup Discovery in Survival Outcomes
von: Bo, Na, et al.
Veröffentlicht: (2024)

Propensity Score Analysis with Guaranteed Subgroup Balance
von: Li, Yan, et al.
Veröffentlicht: (2024)

The Promises of Multiple Experiments: Identifying Joint Distribution of Potential Outcomes
von: Wu, Peng, et al.
Veröffentlicht: (2025)

Decision Theoretic Subgroup Detection With Bayesian Machine Learning
von: Alam, Entejar, et al.
Veröffentlicht: (2025)

The Bias-Variance Tradeoff in Long-Term Experimentation
von: Ting, Daniel, et al.
Veröffentlicht: (2025)

Subgroup learning in functional regression models under the RKHS framework
von: Guan, Xin, et al.
Veröffentlicht: (2025)

Identifiable and interpretable nonparametric factor analysis
von: Xu, Maoran, et al.
Veröffentlicht: (2023)

Minimally Discrete and Minimally Randomized p-Values
von: Habiger, Joshua, et al.
Veröffentlicht: (2026)

Data Integration for Estimating Subgroup-Specific Conditional Average Treatment Effects (CATEs) Using Coarsened External Information in Randomized Trials
von: Yang, Youqi, et al.
Veröffentlicht: (2026)

Doubly-Regressing Approach for Subgroup Fairness
von: Kim, Kunwoong, et al.
Veröffentlicht: (2025)

Valid and Efficient Two-Stage Latent Subgroup Analysis with Observational Data
von: Luo, Yuanhui, et al.
Veröffentlicht: (2025)

Subgroup comparisons within and across studies in meta-analysis
von: Panaro, Renato, et al.
Veröffentlicht: (2025)

Adaptive Experiments Toward Learning Treatment Effect Heterogeneity
von: Wei, Waverly, et al.
Veröffentlicht: (2023)

Efficient Active Learning Strategies for Computer Experiments
von: Song, Difan, et al.
Veröffentlicht: (2025)

Scalable Analysis of Bipartite Experiments
von: Shi, Liang, et al.
Veröffentlicht: (2024)

Automated Analysis of Experiments using Hierarchical Garrote
von: Yu, Wei-Yang, et al.
Veröffentlicht: (2024)

Constrained Identifiability of Causal Effects
von: Chen, Yizuo, et al.
Veröffentlicht: (2024)

Propensity Score Weighting to Ensure Balance in Key Subgroups or Strata: A Practical Guide
von: Mackay, Emma K., et al.
Veröffentlicht: (2026)

Contrasting Identifying Assumptions of Average Causal Effects: Robustness and Semiparametric Efficiency
von: Gorbach, Tetiana, et al.
Veröffentlicht: (2021)

Identifying Causal Effects Using Instrumental Variables from the Auxiliary Dataset
von: Shuai, Kang, et al.
Veröffentlicht: (2023)

When Do Treatment Changes Identify Causal Effects?
von: Huber, Martin
Veröffentlicht: (2026)

Identifying Treatment and Spillover Effects Using Exposure Contrasts
von: Leung, Michael P.
Veröffentlicht: (2024)

On the Identifying Power of Generalized Monotonicity for Average Treatment Effects
von: Bai, Yuehao, et al.
Veröffentlicht: (2024)

Improving the Efficiency of Subgroup Analysis in Randomized Controlled Trials with TMLE
von: Qiu, Sky, et al.
Veröffentlicht: (2026)