Direkt zur Hauptnavigation springen Direkt zum Inhalt springen
info(at)avldigital.remove-this.de
Deutsch English
Filtern nach
Aktive Filter
Letzte Suchanfragen

Ergebnisse für *

Zeige Ergebnisse 1 bis 2 von 2.

  1. Using Machine Learning for Efficient Flexible Regression Adjustment in Economic Experiments
    Autor*in: List, John A.; Muir, Ian; Sun, Gregory K.
    Erschienen: December 2022
    Verlag:  National Bureau of Economic Research, Cambridge, Mass

    This study investigates how to use regression adjustment to reduce variance in experimental data. We show that the estimators recommended in the literature satisfy an orthogonality property with respect to the parameters of the adjustment. This... mehr

    Zugang:
    Verlag (lizenzpflichtig)
    Resolving-System (lizenzpflichtig)

    Standort:
    Sächsische Landesbibliothek - Staats- und Universitätsbibliothek Dresden
    Fernleihe:
    keine Fernleihe

    Standort:
    Universitätsbibliothek Freiburg
    Fernleihe:
    keine Fernleihe

    Standort:
    Helmut-Schmidt-Universität, Universität der Bundeswehr Hamburg, Universitätsbibliothek
    Fernleihe:
    keine Fernleihe

    Standort:
    Staats- und Universitätsbibliothek Hamburg Carl von Ossietzky
    Fernleihe:
    keine Fernleihe

    Standort:
    Technische Informationsbibliothek (TIB) / Leibniz-Informationszentrum Technik und Naturwissenschaften und Universitätsbibliothek
    Fernleihe:
    keine Fernleihe

    Standort:
    ZBW - Leibniz-Informationszentrum Wirtschaft, Standort Kiel
    Fernleihe:
    keine Fernleihe

     

    This study investigates how to use regression adjustment to reduce variance in experimental data. We show that the estimators recommended in the literature satisfy an orthogonality property with respect to the parameters of the adjustment. This observation greatly simplifies the derivation of the asymptotic variance of these estimators and allows us to solve for the efficient regression adjustment in a large class of adjustments. Our efficiency results generalize a number of previous results known in the literature. We then discuss how this efficient regression adjustment can be feasibly implemented. We show the practical relevance of our theory in two ways. First, we use our efficiency results to improve common practices currently employed in field experiments. Second, we show how our theory allows researchers to robustly incorporate machine learning techniques into their experimental estimators to minimize variance

     
    Export in Literaturverwaltung   RIS-Format
      BibTeX-Format
    Quelle: Verbundkataloge
    Sprache: Englisch
    Medientyp: Buch (Monographie)
    Format: Online
    Schriftenreihe: NBER working paper series ; no. w30756
    Schlagworte: Versuchsplanung; Künstliche Intelligenz; Feldforschung; Schätztheorie; Design of Experiments; General; Laboratory, Individual Behavior; Field Experiments
    Umfang: 1 Online-Ressource, illustrations (black and white)
    Bemerkung(en):

    Hardcopy version available to institutional subscribers
  2. Generation Next
    Experimentation with AI
    Autor*in: Charness, Gary; Jabarian, Brian; List, John A.
    Erschienen: September 2023
    Verlag:  National Bureau of Economic Research, Cambridge, Mass

    We investigate the potential for Large Language Models (LLMs) to enhance scientific practice within experimentation by identifying key areas, directions, and implications. First, we discuss how these models can improve experimental design, including... mehr

    Zugang:
    Verlag (lizenzpflichtig)
    Resolving-System (lizenzpflichtig)

    Standort:
    Sächsische Landesbibliothek - Staats- und Universitätsbibliothek Dresden
    Fernleihe:
    keine Fernleihe

    Standort:
    Universitätsbibliothek Freiburg
    Fernleihe:
    keine Fernleihe

    Standort:
    Helmut-Schmidt-Universität, Universität der Bundeswehr Hamburg, Universitätsbibliothek
    Fernleihe:
    keine Fernleihe

    Standort:
    Staats- und Universitätsbibliothek Hamburg Carl von Ossietzky
    Fernleihe:
    keine Fernleihe

    Standort:
    Technische Informationsbibliothek (TIB) / Leibniz-Informationszentrum Technik und Naturwissenschaften und Universitätsbibliothek
    Fernleihe:
    keine Fernleihe

    Standort:
    ZBW - Leibniz-Informationszentrum Wirtschaft, Standort Kiel
    Fernleihe:
    keine Fernleihe

     

    We investigate the potential for Large Language Models (LLMs) to enhance scientific practice within experimentation by identifying key areas, directions, and implications. First, we discuss how these models can improve experimental design, including improving the elicitation wording, coding experiments, and producing documentation. Second, we discuss the implementation of experiments using LLMs, focusing on enhancing causal inference by creating consistent experiences, improving comprehension of instructions, and monitoring participant engagement in real time. Third, we highlight how LLMs can help analyze experimental data, including pre-processing, data cleaning, and other analytical tasks while helping reviewers and replicators investigate studies. Each of these tasks improves the probability of reporting accurate findings

     
    Export in Literaturverwaltung   RIS-Format
      BibTeX-Format
    Quelle: Verbundkataloge
    Sprache: Englisch
    Medientyp: Buch (Monographie)
    Format: Online
    Schriftenreihe: NBER working paper series ; no. w31679
    Schlagworte: Künstliche Intelligenz; Methodologie; Versuchsplanung; Experiment; Ökonometrie; General; Econometric and Statistical Methods and Methodology: General; General; Methodology for Collecting, Estimating, and Organizing Macroeconomic Data; Data Access; Econometric Software; Design of Experiments; General; Laboratory, Group Behavior; Other
    Umfang: 1 Online-Ressource, illustrations (black and white)
    Bemerkung(en):

    Hardcopy version available to institutional subscribers