というNBER論文が上がっている（ungated版へのリンクがある著者の一人のページ）。原題は「Dynamically Optimized Sequential Experimentation (DOSE) for Estimating Economic Preference Parameters」で、著者はJonathan Chapman（ボローニャ大）、Erik Snowberg（ユタ大）、Stephanie W. Wang（ピッツバーグ大）、Colin Camerer（カリフォルニア工科大）。
以下はその要旨。
We introduce DOSE—Dynamically Optimized Sequential Experimentation—to elicit preference parameters. DOSE starts with a model of preferences and a prior over the parameters of that model, then dynamically chooses a customized question sequence for each participant according to an experimenter-selected information criterion. After each question, the prior is updated, and the posterior is used to select the next, informationally-optimal, question. Simulations show that DOSE produces parameter estimates that are approximately twice as accurate as those from established elicitation methods. DOSE estimates of individual-level risk and time preferences are also more accurate, more stable over time, and faster to administer in a large representative, incentivized survey of the U.S. population (N = 2,000). By reducing measurement error, DOSE identifies a stronger relationship between risk aversion and cognitive ability than other elicitation techniques. DOSE thus provides a flexible procedure that facilitates the collection of incentivized preference measures in the field.
（拙訳）
我々は、選好パラメータを導出するためのDOSE――動学的に最適化された逐次実験――を紹介する。DOSEは、選好モデルとそのモデルのパラメータの事前分布を出発点とし、次いで、実験者が選んだ情報基準に基づいて各参加者についてカスタマイズされた質問を選択する。各質問の後、事前分布は更新され、事後分布が情報的に最適な次の質問を選択する。シミュレーションが示すところによれば、DOSE手順によるパラメータ推計は、既存の確立された導出手法よりもおよそ2倍正確である。個人レベルのリスクと時間の選好のDOSE推計もまたより正確であり、より時間的に安定しており、米国民を代表する大規模な動機付けのある調査（N = 2,000）をより速く実施できる。測定誤差を減らすことで、他の導出技法と比べ、DOSEはリスク回避と認識能力との間のより強い関係を識別した。従ってDOSEは、フィールド実験における動機付けされた選好の指標の収集を可能にする柔軟な手順を提供する。
DOSEの最初の論文は2010年に出ているとのことで*1、今井泰佑・現大阪大学社会経済研究所教授とCamererの2018年の共著論文*2ではConvex Time Budget*3について同手法を用いたとの由。
*1:Stephanie W. Wang, Michelle Filiba, and Colin Camerer, "Dynamically Optimized Sequential Experimentation (DOSE) for Estimating Economic Preference Parameters," 2010. Caltech, mimeo.
*2:Taisuke Imai and Colin F. Camerer, "Estimating Time Preferences from Budget Set Choices Using Optimal Adaptive Design," 2018. Ludwig Maximilian University of Munich, mimeo.；リンク。
*3:cf. Andreoni and Sprenger (2012)。こちらの論文では、「従来のMPL形式で時間選好を計測した場合，直近もしくは将来の一方にしか報酬を得ることができない状況を考えている．一方，CTB法では，たとえば「今日に700円もらい，1週間後に500円もらう」というように，直近と将来に報酬を配分することが可能となり，より現実的な状況を考えている．さらに，危険選好についても同一の課題から推定できるという利点がある」と説明している（MPL＝multiple price lists；cf. Multiple price list （MPL） – 水野研究室）。
