Probabilistic Prediction for Binary Treatment Choice: with focus on personalized medicine
本文将统计决策理论应用于样本数据的处理选择,用最大遗憾评价处理规则的性能。具体的新贡献是研究,如果优化使用疾病概率的估计在监测和积极的治疗之间的临床选择。除了细节,这份文件还传达了一个广泛的信息。统计学家和计算机科学家已经以间接的方式解决了决策的条件预测问题,前者应用经典统计理论,后者在测试样本中测量预测准确性。这两种办法都不能令人满意。统计决策理论提供了一个连贯的,普遍适用的方法。
2021-10-02 econ.EM stat.ML
Stochastic Potential Choices and Outcomes
University College London(伦敦大学学院);Harvard University(哈佛大学)
本文探讨个体层面结果和处理分配或选择为随机时的变化,提出含处理选择概率和潜在结果分布的模型,改变常见估计量解释,还为随机选择给出基于信息的基础。
2026-08-18 econ.EM
Aggregation Trees
Department of Economics, University of Southern Denmark(南丹麦大学经济系)
针对政策处理效应异质性分析中子群体选择易存p值操纵、需平衡可解释性与粒度的问题,本文提出带最优性的嵌套分组非参数聚合树方法,结合诚实性与去偏机器学习实现有效推断,经蒙特卡洛验证并应用于母亲吸烟对出生体重影响的研究,揭示了相关系统性异质性。
2025-10-01 econ.EM
Incorporating Social Welfare in Program-Evaluation and Treatment Choice
关于治疗效果的计量经济学文献通常将结果分布的泛函视为“社会福利”,而忽略了方案对未观察到的效用的影响。我们展示了如何将总效用纳入计量经济学方案评估和异质性人群的最佳治疗靶向。在离散选择的实际重要设置中,在不受限制的偏好异质性和收入效应下,间接效用分布成为平均需求的封闭形式泛函。这使得能够根据规划者的再分配偏好对政策干预及其最佳目标进行非参数成本效益分析。对于有序/连续选择,效用分布可以有界。我们的方法与印度的调查数据说明私人学费,使用最大化补贴的收入路径显着不同的福利最大化的。
2022-11-18 econ.EM
Shrinkage Methods for Treatment Choice
Graduate School of Economics and Management, Tohoku University(东北大学经济学研究科和管理学研究科);Center for Spatial Information Science, The University of Tokyo(东京大学空间信息科学中心)
本研究提出一种基于收缩估计的治疗选择规则,通过最小化最大遗憾上界选择收缩因子,在CATE空间正确或错误设定下均表现良好,且最大遗憾可严格小于CES和合并规则。
2025-10-07 econ.EM math.ST stat.TH
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
Temporal Aggregation for the Synthetic Control Method
针对高频数据下合成控制法(SCM)处理前拟合难、易过拟合的问题,本文界定了非聚合与聚合结果下SCM的偏差范围,给出聚合收紧偏差界的条件,并提出平衡两类序列的权重求解方法。
2024-04-15 econ.EM stat.ME
Local Asymptotics for Treatment Choice with Partial Identification
本文针对部分识别下治疗选择问题,提出新渐近框架,将简化型参数以最不利配置为中心,表征极限决策问题为正态位置偏移模型,并将结果应用于三类相关问题。
2026-08-14 econ.EM
Distributional Difference-in-Differences: Aggregation Before or After Quantile Inversion?
University at Albany - State University of New York(纽约州立大学奥尔巴尼分校)
研究交错分布双重差分中分位数处理效应的两种聚合方式,证明聚合顺序影响估计目标与符号,需在反转前确定。
2026-09-24 econ.EM stat.AP stat.ME
Treatment Choice, Mean Square Regret and Partial Identification
针对二元治疗选择中福利仅部分识别的问题,本研究以均方遗憾为准则开展有限样本分析,发现最优规则为分数形式,最优治疗比例由t统计量的logistic变换乘以约束优化因子得到,识别集越宽比例越接近0.5,决策者越谨慎。
2023-10-10 econ.EM stat.ME
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
Parallel Trends and Dynamic Choices
本文将双重差分法的平行趋势假设与动态选择经济模型相联系,分析该假设对理性主体行为的约束、动态选择动机导致其失效的条件,并提出适应动态选择特征的替代识别假设。
2023-08-08 econ.EM
Evidence aggregation with ignorance in mind: learning what we do (not) know for archetypes discovery
提出一个框架,在聚合处理效应异质性时,识别并排除不可靠外推的环境,同时学习如何总结异质性效应并承认无知,提供有限样本后悔保证和推断程序。
2026-06-23 econ.EM stat.AP stat.ME
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
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
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
Robust Bayes Treatment Choice with Partial Identification
Massachusetts Institute of Technology(麻省理工学院);Cornell University(康奈尔大学);Stanford University(斯坦福大学)
本文研究了具有部分识别的二元治疗选择问题,提出鲁棒贝叶斯决策规则,并应用于政策制定和数据汇总问题。
2025-12-19 econ.EM
A Decision Theoretic Perspective on Artificial Superintelligence: Coping with Missing Data Problems in Prediction and Treatment Choice
Rice University(莱斯大学);Northwestern University(西北大学)
本文从决策理论角度探讨人工智能超智能中缺失数据问题的挑战,分析其对决策者应对识别问题的影响,指出当前机器学习架构在处理此类问题上难以超越人类。
2026-05-16 econ.EM
Probability of worthwhile effect of monotone-response treatments
University of Waterloo(滑铁卢大学)
研究在处理效应非负(单调处理响应)情况下,通过显式构造依赖方案,解决处理效应超过给定值的最佳和最坏情况概率问题,该问题在不同背景下有等效描述。
2026-07-17 econ.EM
Active Adaptive Experimental Design for Treatment Effect Estimation with Covariate Choices
Mizuho-DL Financial Technology Co., Ltd.(瑞穗数字金融科技有限公司)
针对平均处理效应估计,本文提出在自适应实验中同时优化协变量密度与倾向得分,并构造达到最小半参数效率界的估计量。
2024-06-18 cs.LG econ.EM stat.ME
Global Representation of the Conditional LATE Model: A Separability Result
本文研究了条件LATE模型的潜在指数表示,明确了协变量在治疗选择中的作用。我们发现,如果单调性条件的方向是相同的所有值的条件协变量,这是经常假设在文献中,那么治疗选择方程必须满足仪器和协变量之间的可分性条件。该全局表示结果确立了对协变量进入治疗选择方程的方式施加的可检验限制。我们后来扩展的表示定理,将多个有序的治疗水平。
2022-03-21 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
Identification in Nonparametric Models for Dynamic Treatment Effects
本文开发了一个非参数模型,代表了如何在一个动态的方式相互影响的结果和治疗选择的序列。在这种情况下,我们感兴趣的是确定在每个阶段的个人的平均结果,有一个特定的治疗序列被分配。该量的识别允许我们识别平均处理效应(ATE)和关于转变的ATE,以及最佳处理方案,即,使平均潜在结果的(加权)和最大化的方案,可能更少的处理成本。本文的主要贡献是放松序列随机化假设广泛使用的生物统计学文献中引入一个灵活的选择理论框架的内源性治疗序列。我们表明,感兴趣的参数下确定每个时期的双向排除限制,即,结果确定过程中排除了工具,治疗选择过程中排除了其他外生变量。我们还考虑部分识别的情况下,后者的变量是不可用的。最后,我们将我们的结果扩展到一个设置,治疗不出现在每个时期。
2019-01-14 econ.EM stat.AP stat.ME
Externally Valid Policy Choice
New York University(纽约大学);Yale University(耶鲁大学)
本文研究个性化处置政策的外部有效性,证明实验总体最优政策对潜在结果分布偏移具有稳健性,并提出对结果与特征联合分布偏移稳健的政策估计方法,揭示处置效应异质性对外部有效性的影响。
2025-11-07 econ.EM stat.ML
Estimating Heterogeneity in Travel Mode Choice Shifts with Causal Forests
Center for Urban Science and Progress, Tandon School of Engineering New York University(纽约大学坦登工程学院城市科学与工程中心)
本研究将因果森林应用于全国家庭出行调查数据,量化新冠疫情对出行方式选择的异质性因果效应,发现汽车出行占比上升,短途、高收入家庭及女性群体增幅最大,为交通政策制定提供依据。
2026-08-06 econ.EM stat.AP stat.ME