適應性隨機算法

Question

要點：

我正在尋找一個隨機算法，可以爲每個主題，看看所有以前的測量，確定一個主題將落入高端或低端，然後確保這些組中大約一半的人被分配到實驗條件。

詳情：

我建立一個具有兩個獨立的變量研究中的應用。一個是我可以分配的實驗操作。我們將這些稱爲X（實驗）和C（控制）。另一種是具有兩種分類類型的個人特徵，通過量表衡量。我們將稱這些P1（類型1）和P2（類型2）。

所以它本質上是一個2x2，我有4個條件（P1X，P1C，P2X，P2C）。我正在招募大約120個科目，所以理想情況下我會在每種情況下分配30個科目。

我有三個問題。

1）基於文獻，我期待在我的樣本中P1和P2特徵之間的自然50/50分裂。但是，我不能確定，因爲我的人口不是我認爲總體人口是分拆估算的來源。 2）X或C操作的簡單隨機化將不一定保證平均分配。這就加重了第一個問題，就像我看到的那樣P1 40％和P2 60％分開，50％（X或C）48人離開我，24人。當然，情況可能會更糟。如果實驗操作的隨機分配對於這個較小的子樣品結束小於50％，則再次可能更糟。恐懼是我可能會留下太小的樣本來運行我的分析。

3）另一個複雜情況是，P1和P2的類別有時不那麼確定和更相對。通常我們只是通過中位數分割P1和P2。它是根據多個比例測量的總值確定的（總範圍0-20）。但是，在我的樣本中，我們可能會看到一些偏向一端的偏見。在這種情況下，我可能需要做一個相對比較。在這種情況下，我不知道中位數的分佈位置在哪裏，以分割我的樣本。但無論中位數是多少，我都會這樣說：「這些人比P1更多P1」，反之亦然。但我不知道我的樣本的平均值或標準差是多少。

我可以在我的實驗做：前

什麼我能做的就是衡量人的P1/P2型分配到任何一個X或C.我不能預先測試任務之前，每個人都所以我只能一次知道更大的圖片1個主題，直到它以足夠的樣本穩定下來。

問：

因此，在短期的問題是，有沒有能適應這些未知數，因爲我知道更多從一個試驗到下一個隨機算法？

基本上我想測量對象的P1/P2的措施，這對整個樣本比較到這一點，並找出他們是否會或多或少可能是在上半朝P2或下半朝着P1。然後，我知道了這一點後，我想以一種確保比簡單隨機更好的方式將它們分配給X或C，以便在每種情況下獲得相同數量的參與者。

我不知道這是否是要問，也許堆疊交叉驗證正確的地方？無論如何，如果您有任何建議，請提前致謝。

額外注：

該應用程序是在Javascript完全編程。

Answer 1

一招，你需要一個優先級隊列。 Google爲我提供了https://github.com/adamhooper/js-priority-queue。其實你需要兩個。一個給你最小的P2，另一個給你最大的P1。

做完這些後，你需要保持4個計數器爲您的4組。

第一人隨機分配至對照組或實驗。第二個分配給另一個，然後將這兩個分配給P1和P2。然後，您將計數器初始化爲1和0。

隨着你遇到的每個人以後，你在他們中的P2 P1比較最大，最小，並決定去哪個組，以及是否需要移動羣體之間的人。如果您需要移動某人，請這樣做並更新計數器。然後將它們分配給治療或控制，基於這些治療或控制在他們所處的Pi中較不常見，斷開其他Pi中不常見的關係，隨機打破任何進一步關係。

這不能保證均勻分割，但它確實做出了一個很好的努力來生成一個分割。