Data-Driven Policy Learning for Continuous Treatments
School of Management and Economics, The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳)经管学院);Guanghua School of Management, Peking University(北京大学光华管理学院)
本文提出了一种基于数据的连续治疗政策学习方法,通过近似政策空间和机器学习倾向分数来优化经验福利。
2025-12-01 econ.EM
Regret in Treatment Choice when Welfare Varies with an Uncertain Event: The Prediction-Threshold Problem
Rice University(莱斯大学);Northwestern University(西北大学)
本文研究在福利随不确定二元事件变化时,使用插件概率预测和预设决策阈值进行二元治疗选择的最大遗憾,并分析其依赖因素。
2026-07-07 econ.EM
Partial Identification of Marginal Treatment Effects with discrete instruments and misreported treatment
本文研究了在二元处理可能被误报且工具变量离散的情况下边际处理效应($MTE$)的部分识别,在不同非参数假设下推导出识别结果,并应用于食品券对健康影响的实证分析。
2023-03-31 econ.EM
Regret Analysis in Threshold Policy Design
本文研究基于实验数据的阈值策略设计,提出平滑福利最大化(SWM)策略以改善经验福利最大化(EWM)的遗憾收敛速率,证明SWM在多数情境下能保证更大福利。
2025-04-04 econ.EM
Policy Learning under Endogeneity Using Instrumental Variables
Institute of Economic Research, Kyoto University(京都大学经济研究所)
本文提出了一种利用工具变量在存在内生性的情况下学习个性化政策规则的框架,通过经验福利最大化方法估计最优鼓励规则并推导福利损失收敛率。
2026-01-16 econ.EM
Policy Learning with Distributional Welfare
本文提出基于个体处理效应条件分位数(QoTE)的最佳处理分配策略,以解决平均福利在异质性个体下的不良分配问题,并引入对模型不确定性鲁棒的极小化极大策略,建立了后悔渐近界。
2025-04-29 econ.EM math.ST stat.ME
What Is the Value Added by Using Causal Machine Learning Methods in a Welfare Experiment Evaluation?
最近的研究提出了因果机器学习(CML)方法来估计条件平均处理效应(CATE)。在这项研究中,我调查CML方法是否增加价值相比,传统的CATE估计重新评估康涅狄格州的就业第一福利实验。这一实验需要积极和消极的工作激励措施相结合。以往的研究表明,利用CATE难以解决就业优先的效应异质性问题。我报告的证据表明,CML方法可以提供支持的理论劳动力供给预测。此外,我的文件的原因,一些传统的CATE估计失败,并讨论CML方法的局限性。
2021-12-04 econ.EM
Treatment Effects with Multidimensional Unobserved Heterogeneity: Identification of the Marginal Treatment Effect
本文在多值处理的多项选择模型框架下,建立了边际处理效应的识别充分条件,将其从二元处理推广到多值处理,并可用于识别潜在结果的边际分布等参数。
2024-12-27 econ.EM
Marginal Treatment Effects and Monotonicity
本文研究 MTE 分析对单调性假设违背的稳健性,并给出较弱单调性条件,使常用 MTE 估计量仍能识别目标参数。
2024-04-04 econ.EM
Bridging the Gap between Empirical Welfare Maximization and Conditional Average Treatment Effect Estimation in Policy Learning
本文证明政策学习中经验福利最大化与基于条件平均处理效应估计的插件方法在重新参数化下与最小二乘法精确等价,并据此提出一种更易优化的正则化政策学习方法。
2025-11-05 cs.LG econ.EM math.ST
Policy Learning with $α$-Expected Welfare
本文提出α期望福利最大化(α-EWM)规则,构建其对偶形式对应的去偏估计量并推导渐近上遗憾界,开发最优福利的渐近有效推断,通过真实与合成数据检验有限样本性能。
2026-08-28 econ.EM
Model Selection for Treatment Choice: Penalized Welfare Maximization
研究了治疗分配问题的一种惩罚统计决策规则。考虑一个功利主义的政策制定者的设置,他必须使用样本数据来分配一个二元治疗人口的成员,根据他们的可观察到的特征。我们将此问题建模为统计判定问题,其中决策者必须从一类潜在子集中选择协变量空间的一个子集来分配治疗。我们专注于设置中的政策制定者可能要选择一组受约束的子集类:例子包括选择的协变量的数量进行最佳子集的选择,和模型选择时,近似一个复杂的类通过筛子。我们调整和扩展统计学习的结果,开发惩罚福利最大化(PWM)规则。我们建立了一个预言不等式的遗憾的PWM规则,这表明它是能够执行模型选择可用类的集合。然后,我们使用这个预言不等式来推导PWM的最大遗憾的相关界限。我们的研究结果的一个重要后果是,我们能够使用一个“坚持”的程序,其中的政策制定者将首先估计各种政策使用一半的数据,然后选择的政策,表现最好的另一半的数据进行评估时,正式模型选择。
2020-12-09 econ.EM math.ST stat.TH
PAC-Bayesian Treatment Allocation Under Budget Constraints
本文针对预算约束下的处理分配问题,提出基于PAC-贝叶斯框架的灵活分配规则,推导了随机规则的非渐近泛化界和严格oracle型不等式,并验证了非随机模型聚合规则的优良属性。
2023-06-09 econ.EM
Robust Network Targeting with Multiple Nash Equilibria
针对多重均衡下的大规模互动决策博弈,提出一种稳健的治疗分配规则估计方法,利用最大最小准则和贪心算法,并给出福利遗憾界,应用于微型金融数据。
2024-11-10 econ.EM
Inference for the Marginal Value of Public Funds
UC San Diego(加州大学圣地亚哥分校)
针对微观数据缺失、相关结构未知导致 MVPF 等因果效应函数难以推断的问题,本文提出最坏情形置信区间、实验设计收紧与崩溃分析方法,并以八项政策验证。
2025-10-03 econ.EM
Crime and Mismeasured Punishment: Marginal Treatment Effect with Misclassification
本文在处理变量误分类情形下部分识别边际处理效应,利用工具变量与误分类决策的相关性限制,识别MTE符号或界定其范围,并以巴西替代刑罚对累犯影响为例,估计误分类偏差可达最大MTE的10%。
2023-07-12 econ.EM
Welfare at Risk: Distributionally Robust Bounds for Policy Evaluation
Department of Economics, Indiana University Bloomington(印第安纳大学布卢明顿分校经济学系)
本文提出一种分析框架,用于研究政策干预对个体福利分布的影响,通过超分位数概念评估效率与公平的权衡。
2026-10-30 econ.EM econ.TH
Local Average and Marginal Treatment Effects with a Misclassified Treatment
Rochester Institute of Technology(罗切斯特理工学院);UNC-Chapel Hill(北卡罗来纳大学教堂山分校);ORT Uruguay(乌拉圭 ORT)
本文研究了二元误分类处理变量下LATE和MTE的识别问题,推导了LATE界限并界定MTE,证明了MTE在温和正则条件下局部可识别,并通过数值和实证结果展示了其实际相关性。
2026-06-20 econ.EM
Treatment Effects of Multi-Valued Treatments in Hyper-Rectangle Model
本研究拓展超矩形模型,通过引入排序处理假设在更宽条件下识别多值处理的边际处理响应,可推导各类处理效应,并提出政策效果检验方法以服务实证政策分析。
2025-09-05 econ.EM
Was Javert right to be suspicious? Marginal Treatment Effects with Duration Outcomes
Universidad ORT Uruguay(乌拉圭ORT大学);Sao Paulo School of Economics - FGV(巴西圣保罗经济管理学院-FGV);Emory University(埃默里大学)
本文研究了右删失结果下的边际处理效应分布,提出半参数估计方法,通过巴西替代刑罚对再犯罪率的影响评估,揭示了处理效应异质性。
2026-06-17 econ.EM
A Uniform Confidence Band for the Marginal Treatment Effect Function
Yale University(耶鲁大学);University of Tokyo(东京大学)
提出构建边际处理效应函数均匀置信带的方法,基于局部二次估计的高斯近似,计算简单且仅需样本量、标准误、核函数和带宽,模拟显示覆盖良好且比Gumbel近似更不保守。
2026-07-02 econ.EM
Identifying Marginal Treatment Effects in the Presence of Sample Selection
本文介绍了样本选择时边际处理效应(MTE)的识别结果。我们表明,MTE是部分确定的个人总是观察到无论治疗,并得出一致的尖锐的界限,这个参数下三个越来越严格的假设。第一个结果采用了标准的MTE假设与不受限制的样本选择机制。第二组条件对样本选择变量相对于治疗的单调性施加影响,显著缩小了识别集。最后,我们纳入了一个随机优势的假设,收紧下限的MTE。我们的分析扩展到离散工具。结果依赖于混合物重新制定的问题,其中混合物的权重被确定,扩展李(2009年)修剪程序的MTE上下文。我们提出了估计的界限,并使用数据提供的Deb,Munking和Trivedi(2006年),以实证说明我们的方法的有用性。
2021-12-13 econ.EM
Personalized Subsidy Rules
补贴通常用于鼓励能够带来短期或长期利益的行为。典型的例子包括补贴的职业培训计划和预防性保健产品的规定,其中行为反应和相关的收益可以表现出异质性。本研究采用边际处理效应(MTE)框架,研究基于个体特征的个性化补贴分配。首先,我们推导出福利最大化补贴规则的最优性条件,表明福利可以表示为MTE的函数。接下来,我们表明,补贴通常会导致更好的福利比直接强制鼓励的行为,因为补贴规则隐含的目标个人通过未观察到的异质性的行为反应。当存在正选择时,即当收益较高的个体更倾向于选择被鼓励的行为时,最优补贴规则实现了第一最佳福利,即当决策者能够观察到个体的私人信息时的最优福利。然后,我们提供的方法来(部分)确定最优补贴规则时,MTE被确定和身份不明。特别是,积极的选择允许点识别的最佳补贴规则,即使当MTE曲线不是。作为一个实证应用,我们研究了最优的工资补贴使用的实验数据,从约旦妇女的新机会试点研究。
2022-03-17 econ.EM
Marginal treatment effects in the absence of instrumental variables
Center for Quantitative Economic Research, Zhejiang University of Finance & Economics(浙江财经大学数量经济研究中心);School of Economics, Zhejiang University of Finance & Economics(浙江财经大学经济学院);School of Economics, Zhejiang University(浙江大学经济学院);School of Economics, Shanghai University of Finance & Economics(上海财经大学经济学院)
本文提出一种无需工具变量假设的方法,用于估计无工具变量情况下边际处理效应,并通过实证应用展示其在分析异质因果效应中的有效性。
2026-02-27 econ.EM
Estimating Marginal Treatment Effects under Unobserved Group Heterogeneity
研究了基于异质性处理规则将个体划分为不可观测组的处理效应模型。使用有限混合的方法,我们提出了一个边际处理效应(MTE)的框架,其中的治疗选择和结果方程可以是异质组。在特定于每个组的工具变量的可用性下,我们表明,每个组的MTE可以单独识别。基于我们的识别结果,我们提出了一个两步半参数估计的MTE组。我们说明了所提出的方法的实用性与应用程序的经济回报,大学教育。
2022-05-23 econ.EM stat.ME
Identification in Multiple Treatment Models under Discrete Variation
Queen Mary University of London(伦敦大学皇家玛丽学院);University of British Columbia(不列颠哥伦比亚大学);Brown University(布朗大学)
本文提出了一种基于边际治疗效应的方法,用于在多重治疗模型中识别因果效应,通过允许有限维参数下的点识别,改进了对Head Start计划的分析结果的稳健性。
2026-01-20 econ.EM
Estimation of Optimal Dynamic Treatment Assignment Rules under Policy Constraints
本文研究多阶段动态处理制度的最优估计,提出经验福利最大化方法,并给出序贯逆向归纳与整体同时求解两种估计方法,证明其$n^{-1/2}$最优收敛速度,同时支持跨期预算约束。
2024-08-31 econ.EM stat.ME stat.ML
Optimal treatment assignment rules under capacity constraints
针对容量约束下的处理分配问题,提出将约束最大化问题转化为最优传输问题,并利用极限实验框架建立分配规则的局部渐近最优性,以凭证分配为例验证方法。
2025-09-10 econ.EM
Multicell experiments for marginal treatment effect estimation of digital ads
针对数字广告中单侧不依从的随机实验,提出多单元实验设计与现代估计技术结合的方法,以估计集约边际处理效应,无需额外预算,并在模拟中优于直接优化方法。
2025-04-23 econ.EM
Treatment Effect Models with Strategic Interaction in Treatment Decisions
本研究考虑了处理效应模型,在该模型中,其他人的治疗决定可以影响自己的治疗和结果。针对两个博弈者交互的情形,我们将治疗决策行为描述为一个具有多重均衡的完全信息博弈。使用一个潜在的指标框架,并假设一个随机均衡选择,我们证明了边际处理效应从自己的治疗和从合作伙伴是可识别的条件支持的某些阈值变量确定通过博弈模型。基于我们的建设性的识别结果,我们提出了一个两步半参数估计的边际处理效应使用系列近似的过程。我们证明了所提出的估计是一致相合和渐近正态分布的。作为一个实证研究,我们调查了危险行为对青少年学业成绩的影响。
2023-02-22 econ.EM
Better Measurement or Larger Samples? Data Collection for Policy Learning with Unobserved Heterogeneity
University of Bologna(博洛尼亚大学)
本文研究了在存在未观测异质性时,政策学习中测量精度与样本量的权衡,提出最优数据收集方案并验证其在发展经济学中的应用效果。
2026-04-08 econ.EM
Policy Targeting under Network Interference
本文针对网络溢出下的处理配置,提出基于半参数福利估计与混合整数线性规划的靶向方法,并给出遗憾保证,无需目标网络信息或正确结构模型。
2024-04-06 cs.SI econ.EM stat.ME
Treatment effects at the margin: Everyone is marginal
针对政策同时影响参与选择与结果、且处理决定观测对象的内生选择问题,论文提出边际性加权估计量,以识别政策诱导进入者的因果效应。
2025-08-29 econ.EM stat.ME
Evidence Aggregation for Treatment Choice
Tohoku University, Graduate School of Economics and Management(东北大学经济学与管理学研究科);Brown University, Department of Economics(布朗大学经济学系)
规划者因数据缺乏对政策因果影响了解有限,但能获取不同人群类似政策的干预研究,将其问题设为有社会福利目标的统计决策问题,求解极小极大遗憾准则下的最优汇总规则并研究其性质等,还用该规则决定是否实施积极劳动力市场政策。
2026-09-23 econ.EM math.ST stat.TH
Sharp Bounds for the Marginal Treatment Effect with Sample Selection
我分析了处理效应的情况下,代理内源性选择到治疗组和观察样本。作为一个理论贡献,我提出了逐点锐界的边际处理效应(MTE)的利益在单调性假设下始终观察到的亚群。此外,我强加了一个额外的平均优势假设,以收紧以前的界限。我进一步讨论如何确定这些界限时,支持的倾向得分是连续的或离散的。使用这些结果,我估计边界的就业军团培训计划的时薪为始终就业的亚群,并发现它是在非西班牙裔组内参加该计划的可能性下降。例如,治疗组的平均处理效应介于\$.33和\$.99之间,而未治疗组的平均处理效应介于\$.71和\$3.00之间。
2019-04-17 econ.EM econ.GN q-fin.EC
Decision Theory for Treatment Choice Problems with Partial Identification
本文运用经典统计决策理论处理部分识别下的治疗选择问题,刻画了极小极大遗憾最优规则,并探讨其在政策采纳、LATE外推及遗漏变量偏差场景中的应用。
2025-06-20 econ.EM
Improving on a Lottery: Efficient Estimation of Optimal Assignment Rules
The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳));University of Southern California(南加州大学);Peking University(北京大学)
研究通过估计最优分配规则来改进抽签分配,使用Kullback-Leibler惩罚平衡福利与基准随机化,提出双重稳健准则实现高效估计。
2026-06-17 econ.EM
Post-Selection Inference for Partially Identified Parameters
本文针对从估计集合中经数据依赖规则选出的区间识别参数,提出三类置信区间推断方法,并证明其在弱假设下的一致渐近有效性。
2026-11-16 econ.EM
Policy Learning with Confidence
MIT(麻省理工学院);Columbia University(哥伦比亚大学);Duke University(杜克大学);UCL and CEMFI(伦敦大学学院和CEMFI)
本文提出了一种在存在估计不确定性时选择政策的规则,通过考虑估计风险来确保福利超过预设置信水平阈值,并应用于社会项目的预算分配。
2026-10-27 econ.EM stat.ME
Assessing Heterogeneity of Treatment Effects
本文利用边际分布推导异质性处理效应的非参数严格界限,并在平均效应不显著或理论预测相悖时,通过微观金融和福利改革案例展示其实用性。
2025-08-06 econ.EM stat.AP stat.ME
Treatment Choice with Nonlinear Regret
Brown University(布朗大学);University College London(伦敦大学学院);Columbia University(哥伦比亚大学);Cornell University(康奈尔大学)
针对均值遗憾对抽样不确定性敏感的问题,提出最小化非线性变换遗憾的均值,推导出有限样本贝叶斯和极小化最优规则的闭式分数,并将其应用于正态回归模型和样本量计算。
2024-10-01 econ.EM stat.ME
General Bayesian Policy Learning
本文提出通用贝叶斯框架用于策略学习,通过平方损失替代品实现福利最大化,并提供理论保证。
2026-08-14 cs.LG econ.EM math.ST
Functional Sequential Treatment Allocation with Covariates
University of Oxford(牛津大学);Aarhus University(奥胡斯大学);Université libre de Bruxelles(布鲁塞尔自由大学);SBS-EM;ECARES
本文研究带协变量的多臂老虎机问题,提出面向一般条件结果分布函数的处理分配框架,给出期望遗憾下界并构造近似极小极大最优策略。
2020-01-29 cs.LG econ.EM math.ST
Bounds on the Distribution of a Sum of Two Random Variables: Revisiting a problem of Kolmogorov with application to Individual Treatment Effects
本文重新审视Kolmogorov关于两个随机变量之和分布界的问题,纠正了现有文献中的错误,并将其应用于个体处理效应的推断,强化了Fan和Park的结果。
2025-03-25 econ.EM math.PR math.ST