Identification of Treatment Effects under Conditional Partial Independence
治疗分配与潜在结局的条件独立性是一个常用但不可反驳的假设。我们从这个条件独立性假设的非参数偏差下获得各种处理效应参数的识别集。这些偏差通过条件治疗分配概率定义,这使得解释简单明了。我们的研究结果可以用来评估基线条件独立假设下获得的经验结论的稳健性。
2017-07-29 econ.EM stat.ME
Covariate Balancing Methods for Randomized Controlled Trials Are Not Adversarially Robust
通过随机试验研究治疗有效性的第一步是将人群分为对照组和治疗组,然后比较接受治疗的治疗组与接受安慰剂的对照组的平均反应。为了确保两组之间的差异仅由处理引起,至关重要的是对照组和处理组具有相似的统计数据。事实上,试验的有效性和可靠性取决于两组统计数据的相似性。协变量平衡方法增加了两组协变量分布之间的相似性。然而,在实践中,往往没有足够的样本来准确估计组的协变量分布。在本文中,我们经验表明,协变量平衡与标准化均值差(SMD)协变量平衡措施,以及Pocock的序贯治疗分配方法,容易受到最坏情况下的治疗分配。最差情况治疗分配是协变量平衡测量所承认的,但导致最高可能ATE估计误差。我们开发了一种对抗性攻击,以找到任何给定试验的对抗性治疗分配。然后,我们提供了一个指标来衡量给定的试验是如何接近最坏的情况。为此,我们提供了一种基于优化的算法,即对抗性治疗分配处理效应试验(ATASTREET),以找到对抗性治疗分配。
2022-08-28 econ.EM math.ST stat.ME
Causal Identification under Interference: The Role of Treatment Assignment Independence
Concordia University(康科迪亚大学);University of Geneva(日内瓦大学)
本文研究了在存在任意干扰时,基于个体治疗反应假设的因果识别公式所识别的因果对象,发现其为平均直接效应,并提出了一种稳健性分析框架。
2026-10-19 econ.EM
Enabling Decision-Making with the Modified Causal Forest: Policy Trees for Treatment Assignment
本文提出了一种基于改进因果森林的可解释非参数化决策树算法Policy Tree,用于处理分配策略,支持多离散处理并具备约束处理能力,已在Python开源包mcf中实现。
2024-06-04 econ.EM
Inequality Sensitive Optimal Treatment Assignment
本文将Manski(2024)的最优干预选择框架拓展至基于平等主义等价度量的福利评估场景,推导了三类厌恶不平等评估者的最优干预规则,并通过JobCorps项目与小额信贷元分析验证了方法的适用性。
2025-02-21 econ.EM
Incorporating Preferences Into Treatment Assignment Problems
本研究针对治疗分配中个体可能谎报偏好的问题,提出了一种策略-proof的个体化治疗规则(ITR),通过两种实验设计实现识别,并开发了统计治疗规则(STRs),其最大遗憾以样本量平方根速率收敛至零,实证应用验证了其有效性。
2023-11-15 econ.EM
An introduction to flexible methods for policy evaluation
本章涵盖了评估治疗或干预措施对相关结果的因果影响的政策评估的不同方法。作为对因果推断的介绍,讨论从随机治疗的实验评价开始。然后回顾了基于可观察量选择的评价方法(假设在给定观察协变量的情况下进行准随机治疗)、工具变量(诱导治疗中的准随机变化)、差异中的差异和变化中的变化(利用随时间推移的结局变化)以及回归不连续性和扭结(使用运行变量的某个阈值下治疗分配的变化)。本章讨论了特别适用于具有许多观察结果的数据的方法,用于处理效应的灵活(即半参数或非参数)建模,和/或通过应用机器学习以数据驱动的方式选择和控制协变量的许多(即高维)观察协变量。这不仅可用于通过控制例如共同影响治疗和结局的因素来解决混杂问题,而且还可用于根据可观察协变量定义的亚组之间的学习效应异质性,并最佳地针对治疗最有效的那些组。
2019-10-01 econ.EM stat.ME stat.ML
Stochastic Treatment Choice with Empirical Welfare Updating
本文提出了一种新的方法来估计个性化的治疗分配规则。该方法的目的是找到规则是随机的,反映不确定性的估计分配规则和其福利性能。我们的方法是在分配规则上形成先验分布,而不是在数据生成过程中,并根据经验福利标准更新先验分布,而不是可能性。然后,社会计划者通过从所得的后验中得出一个政策来分配治疗。我们分析了一个福利最优的方式更新先验使用经验福利,这后是不可行的计算,所以我们提出了一个变分贝叶斯近似的最佳后验。我们证明了基于这种变分贝叶斯近似的分配规则的福利遗憾收敛性,表明它以ln(n)/sqrt(n)的速度收敛到零。我们将我们的方法应用于职业培训合作法案研究的实验数据,以说明我们的方法的实施。
2023-02-21 econ.EM
Policy Learning with Competing Agents
Stanford University(斯坦福大学)
本文研究容量约束下智能体策略性竞争的治疗分配问题,提出基于均值场均衡阈值的策略梯度一致估计器,并在半合成实验中验证其有效性。
2025-03-28 cs.LG econ.EM stat.ML
Fair Adaptive Experiments
针对自适应实验中的公平性问题,提出一种无参数假设的公平自适应实验策略,在提升数据效率与参与者福利的同时保证无嫉妒分配,并从理论上证明了其渐近最优性。
2023-10-25 econ.EM stat.ME
Identification and Inference on Treatment Effects under Covariate-Adaptive Randomization and Imperfect Compliance
本文研究了在协变量自适应随机化与不完全依从的二元处理RCTs中ATE和ATT的识别与推断,推导了识别集刻画,提出了一致估计量与渐近置信区间,并给出了估计处理分配概率的最优实用建议。
2025-04-30 econ.EM
Policy relevance of causal quantities in networks
MIT Institute for Data, Systems, and Society(麻省理工学院数据、系统与社学院);MIT Sloan School of Management(麻省理工学院斯隆管理学院)
研究探讨了网络中因果量的政策相关性,指出期望平均成果作为单位层面效应的总结,并能支持最优政策选择。
2026-03-09 econ.EM stat.ME
Inference on Welfare and Value Functionals under Optimal Treatment Assignment
Yale University(耶鲁大学);University of Pennsylvania(宾夕法尼亚大学)
本文研究最优治疗分配下非参数CATE函数的福利与价值泛函估计推断,证明不同收敛速率并给出方差估计与计算方法,通过模拟和JTPA数据实证验证了方法有效性。
2025-10-29 econ.EM
Efficient Adaptive Experimental Design for Average Treatment Effect Estimation
The University of Tokyo(东京大学);Mizuho-DL Financial Technology Co., Ltd.(瑞穗数字金融科技有限公司);Tohoku University(东北大学);Kyoto University(京都大学);Yale University(耶鲁大学)
本文提出一种面向 ATE 估计的自适应实验设计,通过估计高效处理分配概率并结合 A2IPW 估计量达到半参数效率界,且支持任意时刻有效的置信区间与最优序贯检验。
2025-02-20 cs.LG econ.EM stat.ML
Doubly weighted M-estimation for nonrandom assignment and missing outcomes
针对处理效应文献中常见的非随机处理分配和缺失结果这两个问题,提出了一类新的双重加权M-估计.所提出的类的特点是一个“鲁棒性”的属性,这使得它弹性的参数误指定的条件模型的兴趣(例如,平均值或分位数函数)或两个加权函数。作为领先的应用,本文讨论了两个特定的因果参数的估计;平均和分位数处理效应(ATE,QTE),这可以表示为双重加权估计的函数,在框架的参数组件的误指定。对于ATE,本文表明,所提出的估计是双重的强大,即使在存在缺失的结果。最后,为了证明估计量在经验环境中的可行性,将其应用于Calonico和Smith(2017)从国家支持工作培训计划中重建的样本。
2020-11-23 econ.EM
Design-Robust Two-Way-Fixed-Effects Regression For Panel Data
本文提出融合分配机制权重的双向固定效应估计量,在一般处理模式下具备双重稳健性,并可扩展至动态处理效应。
2024-03-04 econ.EM econ.GN q-fin.EC
Policy Learning for Optimal Dynamic Treatment Regimes with Observational Data
针对观测数据下的最优动态治疗方案学习问题,提出一种基于分类的双重鲁棒反向归纳方法,通过最大化各阶段增广逆概率加权估计量学习策略,实现了福利遗憾的$n^{-1/2}$最优收敛速率。
2025-05-20 econ.EM math.ST stat.ME
Policy Learning with Observational Data: The Case of Hepatitis C Treatment for HIV/HCV Co-Infected Patients
McGill University(麦吉尔大学)
本文提出在弱假设下通过观测数据推导多行动政策规则的方法,应用于HIV/HCV共感染患者抗病毒治疗,发现部分患者无需治疗即可自愈,优化治疗分配可降低成本并提升健康效益。
2026-10-23 econ.EM stat.AP stat.ML
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
Policy Learning with New Treatments
本文研究基于部分处理值的实验数据为新处理方法分配策略,利用形状约束部分识别效应,通过极小化极大后悔准则与线性整数规划求解,并证明收敛速率且在肯尼亚农村电网补贴中显著降低最大后悔值。
2025-07-15 econ.EM
Identification and Estimation of Unconditional Policy Effects of an Endogenous Binary Treatment: An Unconditional MTE Approach
本文提出基于影响函数的无条件边际处理效应方法,用于识别和估计内生二元处理的无条件政策效应,并引入UNIQUE估计量,实证研究学费补贴对工资分位数的影响。
2024-08-06 econ.EM
Estimation and Inference for Policy Relevant Treatment Effects
政策相关处理效应(PRTE)衡量从现状政策转换为反事实政策的平均效果。PRTE的估计涉及多个初步参数的估计,包括倾向评分、结局的条件期望函数和协变量(给定倾向评分)以及边际处理效应。这些初步估计可以影响渐近分布的PRTE估计在复杂和棘手的方式。鉴于此,我们提出了一个正交得分的双重去偏估计的PRTE,从而获得的渐近分布的PRTE估计没有任何影响的初步参数估计,只要他们满足温和的收敛速度的要求。据我们所知,本文是第一个发展极限分布理论的推断有关的PRTE。
2020-07-16 econ.EM
Effect or Treatment Heterogeneity? Policy Evaluation with Aggregated and Disaggregated Treatments
提出一种基于双重/去偏机器学习的分解方法,区分效应与处理异质性,揭示被掩盖的异质性并避免虚假发现,应用于评估吸烟对出生体重及Job Corps有效性的异质性影响。
2023-08-03 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
Contextual Bandits in a Survey Experiment on Charitable Giving: Within-Experiment Outcomes versus Policy Learning
Stanford Graduate School of Business(斯坦福大学商学院);Amazon(亚马逊);Stanford Management Science and Engineering(斯坦福大学管理科学与工程系);Coupang(库胖);University of Toronto Computer Science(多伦多大学计算机科学系)
我们设计并实施了一个适应性实验(一个“上下文强盗”),以学习有针对性的治疗分配政策,其目标是使用参与者的调查响应来确定在募捐活动中让他们接触哪个慈善机构。该设计平衡了两个相互竞争的目标:优化实验中受试者的结果("累积遗憾最小化“)和收集对政策学习最有用的数据,即学习一个分配规则,如果在实验后使用,将最大限度地提高福利("简单遗憾最小化”)。我们通过收集试点数据,然后进行模拟研究,以评估替代实验设计。接下来,我们实现我们选择的算法。最后,我们进行了第二次模拟研究,锚定到收集的数据,评估我们选择的算法的好处。我们的第一个结果是,在这种设置中的学习策略的值是更高的数据收集通过统一的随机化,而不是收集自适应使用标准的累积遗憾最小化或政策学习算法。我们提出了一个简单的启发式的自适应实验,提高均匀随机化的政策学习的角度来看,增加累积遗憾相对于替代强盗算法的代价。启发式修改现有的上下文强盗算法(i)施加一个下界的分配概率衰减缓慢,使没有手臂被丢弃得太快,(ii)自适应收集数据后,限制策略学习选择从武器已经收集了足够的数据。
2022-11-22 cs.LG econ.EM stat.ML
Optimal Policy Learning for Multi-Action Treatment with Risk Preference using Stata
本文介绍Stata命令opl_ma_fb,实现考虑风险偏好的多动作治疗最优策略学习,估计最佳治疗分配并计算最大福利。
2025-09-08 econ.EM
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
A Nonparametric Test of Heterogeneous Treatment Effects under Interference
本文针对单元间存在干扰时的异质性处理效应推断问题,提出基于核的非参数检验方法和多重检验算法,用以区分处理分配与预处理变量导致的效应异质性,并证明其渐近性质。
2024-10-01 econ.EM
Modelling Network Interference with Multi-valued Treatments: the Causal Effect of Immigration Policy on Crime Rates
旨在评估干预措施效果的政策评价研究面临着一些统计挑战:在现实世界中,治疗方法并不是随机分配的,而且各单位之间的干扰可能会使分析更加复杂。研究人员已经开始开发新的方法,允许在观察性研究中管理溢出机制;最近的工作主要集中在二元治疗上。然而,许多政策评价研究涉及更复杂的干预措施。例如,在政治学中,评价行政实体执行的政策的影响往往意味着采用多元方法,因为针对某一具体问题的政策在许多不同层面上运作,可以从若干方面加以界定。在这项工作中,我们扩展了观察性研究中网络干扰下的因果推断的统计框架,允许多值个体处理和由加权网络形成的干扰结构。估计策略是基于一个联合的多个广义倾向得分,并允许一个估计的直接影响,控制个人和网络协变量。我们按照所提出的方法来分析国家移民政策对犯罪率的影响。我们定义了对移民的政治态度的多值表征,我们假设每个国家可以在多大程度上受到另一个国家的影响是由一个适当的指标,总结他们的文化和地理接近建模。结果表明,实施高度限制性的移民政策会导致犯罪率的增加,如果我们考虑到其他国家的干预,估计的影响更大。
2020-06-23 econ.EM stat.AP stat.ME
A Computational Approach to Identification of Treatment Effects for Policy Evaluation
本文提出一个计算框架,在二元工具变量下通过 MTE 加权平均系统计算政策相关处理参数的非参数边界,支持统计独立性与多种识别假设,并应用于医保政策对医疗服务使用的影响评估。
2023-08-07 econ.EM
Identifying causal channels of policy reforms with multiple treatments and different types of selection
我们研究了多种治疗方法和每种治疗方法的不同选择类型的政策改革渠道的识别。我们解开的改革效果的政策效果,选择效果,和时间效应的假设条件下的独立性,共同的趋势,和一个额外的排除限制的非治疗。此外,我们发现的直接和间接的政策效果后,施加额外的顺序条件独立假设的中介变量的识别。我们说明的方法,使用德国的失业人员的职业培训分配制度的改革。这项改革将培训分配从强制性制度改为自愿凭单制度。与此同时,参与者的选择标准发生了变化,改革改变了课程类型的构成。我们认为课程构成是政策改革的中介变量。我们发现,从以前的研究经验证据逆转时,考虑课程组成。这对政策结论具有重要影响。
2020-10-11 econ.EM econ.GN q-fin.EC
Endogenous Selection and Spillovers: Bayesian Inference for Policy-Relevant Causal Effects
University of Graz(格拉茨大学)
本文提出含溢出的罗伊模型,开发贝叶斯推断算法,将其应用于美国机会区计划,发现该计划对住房发展有正向直接效应但溢出收益有限,扩张回报递减。
2026-08-27 econ.EM
Policy-relevant causal effect estimation using instrumental variables with interference
Monash University(莫纳什大学)
本文研究了存在个体互动干扰时的工具变量因果效应估计问题,提出一个框架定义并部分识别直接效应与溢出效应,通过推广单调处理响应和选择假设推导出政策相关效应的信息性边界,为存在干扰时的项目评估和处理规模扩展提供支持。
2025-09-16 econ.EM
Boundary estimation in the regression-discontinuity design: Evidence for a merit- and need-based financial aid program
Queen Mary University of London(伦敦大学玛丽女王学院)
本文扩展回归间断设计至多维分配规则,提出非参数估计方法,应用于哥伦比亚助学金项目,揭示处理边界的异质性效应。
2025-10-10 econ.EM
Policy Relevant Treatment Effects with Multidimensional Unobserved Heterogeneity
本文提出统一框架,在工具变量下通过凸松弛方法处理多维不可观测异质性,为政策相关处理效应提供保守且计算简单的界,扩展并稳健化了Mogstad等(2018)的界。
2025-05-08 econ.EM
Randomization Inference of Heterogeneous Treatment Effects under Network Interference
针对网络干扰下的异质性处理效应,提出基于随机化的检验程序,构建数据依赖焦点分配集,建立渐近有效性并应用于实验数据。
2025-06-24 econ.EM