适应性随机算法

Question

要点：

我正在寻找一个随机算法，可以为每个主题，看看所有以前的测量，确定一个主题将落入高端或低端，然后确保这些组中大约一半的人被分配到实验条件。

详情：

我建立一个具有两个独立的变量研究中的应用。一个是我可以分配的实验操作。我们将这些称为X（实验）和C（控制）。另一种是具有两种分类类型的个人特征，通过量表衡量。我们将称这些P1（类型1）和P2（类型2）。

所以它本质上是一个2x2，我有4个条件（P1X，P1C，P2X，P2C）。我正在招募大约120个科目，所以理想情况下我会在每种情况下分配30个科目。

我有三个问题。

1）基于文献，我期待在我的样本中P1和P2特征之间的自然50/50分裂。但是，我不能确定，因为我的人口不是我认为总体人口是分拆估算的来源。 2）X或C操作的简单随机化将不一定保证平均分配。这就加重了第一个问题，就像我看到的那样P1 40％和P2 60％分开，50％（X或C）48人离开我，24人。当然，情况可能会更糟。如果实验操作的随机分配对于这个较小的子样品结束小于50％，则再次可能更糟。恐惧是我可能会留下太小的样本来运行我的分析。

3）另一个复杂情况是，P1和P2的类别有时不那么确定和更相对。通常我们只是通过中位数分割P1和P2。它是根据多个比例测量的总值确定的（总范围0-20）。但是，在我的样本中，我们可能会看到一些偏向一端的偏见。在这种情况下，我可能需要做一个相对比较。在这种情况下，我不知道中位数的分布位置在哪里，以分割我的样本。但无论中位数是多少，我都会这样说：“这些人比P1更多P1”，反之亦然。但我不知道我的样本的平均值或标准差是多少。

我可以在我的实验做：前

什么我能做的就是衡量人的P1/P2型分配到任何一个X或C.我不能预先测试任务之前，每个人都所以我只能一次知道更大的图片1个主题，直到它以足够的样本稳定下来。

问：

因此，在短期的问题是，有没有能适应这些未知数，因为我知道更多从一个试验到下一个随机算法？

基本上我想测量对象的P1/P2的措施，这对整个样本比较到这一点，并找出他们是否会或多或少可能是在上半朝P2或下半朝着P1。然后，我知道了这一点后，我想以一种确保比简单随机更好的方式将它们分配给X或C，以便在每种情况下获得相同数量的参与者。

我不知道这是否是要问，也许堆叠交叉验证正确的地方？无论如何，如果您有任何建议，请提前致谢。

额外注：

该应用程序是在Javascript完全编程。

Answer 1

一招，你需要一个优先级队列。 Google为我提供了https://github.com/adamhooper/js-priority-queue。其实你需要两个。一个给你最小的P2，另一个给你最大的P1。

做完这些后，你需要保持4个计数器为您的4组。

第一人随机分配至对照组或实验。第二个分配给另一个，然后将这两个分配给P1和P2。然后，您将计数器初始化为1和0。

随着你遇到的每个人以后，你在他们中的P2 P1比较最大，最小，并决定去哪个组，以及是否需要移动群体之间的人。如果您需要移动某人，请这样做并更新计数器。然后将它们分配给治疗或控制，基于这些治疗或控制在他们所处的Pi中较不常见，断开其他Pi中不常见的关系，随机打破任何进一步关系。

这不能保证均匀分割，但它确实做出了一个很好的努力来生成一个分割。