Wirkung maximieren, Stichproben minimieren: Neue Allokationsmethode

In einer kürzlich veröffentlichten Studie auf arXiv (2601.05597v1) zeigen Forscher, dass die klassische Methode zur Schätzung des bedingten durchschnittlichen Behandlungseffekts (CATE) – die als Goldstandard gilt – für die gezielte Behandlung einer heterogenen Population viel mehr Daten erfordert, als eigentlich nötig ist. CATE benötigt typischerweise O(M/ε²) Stichproben, um die Effekte in M verschiedenen Strata mit einer Genauigkeit von ε zu bestimmen.

Die neue Herangehensweise nutzt hingegen grobe Schätzungen und erreicht damit dieselbe Gesamtwirkung wie CATE, jedoch mit nur O(M/ε) Stichproben – ein signifikanter Einsparpotenzial, insbesondere bei natürlichen Verteilungen der Behandlungseffekte. Der Schlüssel liegt darin, dass für die optimale Allokation nicht die präzise Schätzung jedes einzelnen Effekts erforderlich ist, sondern dass ungefähre Werte bereits ausreichen.

Ein weiterer Vorteil der Methode ist die Flexibilität des Budgets: Durch dynamische Anpassungen kann die Stichprobenkomplexität weiter reduziert werden. In umfangreichen Tests an realen randomisierten kontrollierten Studien (RCTs) zeigte die Technik nahezu optimale Behandlungsallokationen bei erstaunlich wenigen Daten.

Die Ergebnisse unterstreichen die fundamentale Distinction zwischen der Schätzung von Behandlungseffekten und deren Allokation: Während die erstere viele Daten verlangt, genügt für die letztere ein Bruchteil, was die Effizienz von klinischen und sozialen Interventionen erheblich steigern könnte.