使用状态空间模型应对非平稳动态的自适应 A/B 测试

基于摘要分析。本文研究产品、服务和用户体验 A/B 测试中处理效应随时间变化的问题，提出结合自回归状态空间模型、Kalman smoother 与响应自适应随机化（RAR）的框架，同时改进时间平均处理效应估计与实验资源分配。原研究对象是非平稳环境中的随机对照实验，而非 EEG 解码或 BCI 算法。 机制上，作者将各时段处理组均值建模为自回归状态空间过程，利用 Kalman smoother 提取时间依赖信息，估计时间平均处理效应；在分配环节，则通过预测 Kalman 方差纳入潜在状态的不确定性，使 RAR 能够响应非平稳变化。该框架区分了效应估计与参与者分配两个问题，并以状态空间建模连接二者。 作者报告，理论分析建立了朴素估计量与平滑估计量的渐近正态性，并在模型正确设定的前提下证明，平滑估计量的渐近方差严格小于朴素估计量；相关推导还支持构造用于持续监测的任意时刻有效置信序列。作者报告，仿真中该方法相较基准时间平均估计量和固定分配策略具有更高效率，尤其是在处理效应漂移与方差不平衡条件下。摘要未给出具体效率数值，仿真规模、漂移形式、比较策略及统计信息尚未验证。 平台推测（待验证）：若 BCI 研究需要在反馈策略或训练干预之间进行序贯随机分配，该框架可能用于处理随训练进程变化的干预效应，而不是直接替代 EEG 特征提取或分类器。可复用的是潜在效应跟踪与不确定性驱动分配机制；需改造观测模型、分配约束及疲劳或学习效应的表示。低信噪比、小样本、突变与跨被试异质性可能使自回归假设失配。一个可证伪的小实验是在预设漂移与噪声条件的 BCI 反馈策略仿真中，对比固定分配与该 RAR 的效应估计误差及置信序列覆盖率。上述迁移尚未验证，已有 EEG 相关工作尚未检索确认。