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
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
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
Which Policy Works, and Where? Estimation and Inference for State-Level Treatment Effects in Difference-in-Differences
Dalhousie University(达尔豪斯大学);Carleton University(卡尔顿大学);McGill University(麦吉尔大学)
该研究针对双重差分法,区分不同维度的亚组处理效应,提出UN-DID和DID-INT估计量,通过CPS模拟分析其推断特性,强调估计目标与方法需匹配政策场景。
2026-09-02 econ.EM
Personalized Policy Learning through Discrete Experimentation: Theory and Empirical Evidence
Washington University in St. Louis(华盛顿大学圣路易斯分校);Shanghai Jiao Tong University(上海交通大学);University College London(伦敦大学学院)
本文提出DLPT框架,通过高维用户特征学习个性化连续政策,实证验证在优化内容创作激励水平上优于现有方法。
2026-02-04 econ.EM
Orthogonal Policy Learning Under Ambiguity
本文研究了当处理效应部分确定时,估计个体化处理规则的问题,因为它通常是观察数据的情况。通过绘制治疗分配问题和经典决策理论之间的联系,我们描述了几个概念的最佳治疗策略存在的部分识别。我们的统一框架允许将用户定义的限制,如限制的透明度或可解释性的一组允许的政策,同时也确保计算的可行性。我们展示了如何部分识别导致一个新的政策学习问题的目标函数是定向-但不完全-可微的滋扰第一阶段。然后,我们提出了一个估计过程,确保奈曼正交的滋扰组件,我们提供的统计保证,取决于浓度的量在数据生成过程中的不可微点周围。所提出的方法说明使用的数据从工作伙伴关系培训法的研究。
2022-12-30 econ.EM
Neyman allocation is minimax optimal for best arm identification with two arms
本文根据局部渐近极小极大后悔准则,描述了只有两种治疗时最佳手臂识别的最优策略规则。结果表明,最佳的抽样规则是奈曼分配,分配一个恒定的分数单位,以每种治疗的方式,是成比例的标准偏差的治疗结果。当方差相等时,最佳比率为二分之一。该策略独立于数据,因此不适应先前的结果。在实验结束时,决策者采用具有较高平均结果的处理。
2022-08-25 econ.EM
Government spending and multi-category treatment effects:The modified conditional independence assumption
本文在潜在结果框架下,提出了一种基于多类别处理效应和逆概率加权的财政政策短期有效性评价方法。本研究对文献的主要贡献是提出了改进的条件独立性假设,以改善对财政政策的评估。使用这种方法,我分析了1992年至2019年政府支出对美国经济的影响。实证研究表明,大规模财政紧缩对经济增长率产生负效应,小规模和大规模财政扩张则实现正效应。然而,这些影响在传统的多元回归方法中并不显著。我的结论是,这种新方法显着改善了财政政策的评估。
2020-08-09 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
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
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
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
Difference-in-Differences Estimators with Continuous Treatments and no Stayers
针对连续处理且无未处理组的情形,提出不依赖线性假设的稳健双重差分估计量,并扩展非参数结果,提出参数估计量以重新评估实证研究。
2024-02-08 econ.EM
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
Difference-in-Differences with a Continuous Treatment
University of Georgia(佐治亚大学);Federal Reserve Bank of Minneapolis(明尼阿波利斯联邦储备银行);NBER(美国国家经济研究局);Emory University(埃默里大学)
本文探讨了连续处理差异-差异法的识别问题,提出替代假设以消除选择偏差,并介绍了新的估计方法以改进处理效应的分析。
2025-12-31 econ.EM
Economic Causal Inference Based on DML Framework: Python Implementation of Binary and Continuous Treatment Variables
本研究基于模拟数据用Python实现DML框架,验证其在二元与连续处理变量下计算ATE的稳定性,并指出CATE计算是未来挑战。
2025-02-27 econ.EM
Doubly Robust Identification of Causal Effects of a Continuous Treatment using Discrete Instruments
本文提出一种双重稳健的因果估计方法,在平均处理单调性或处理秩相似性任一条件下均有效,用于二元工具变量下连续处理的因果识别,并通过睡眠对幸福感的影响验证了其与2SLS估计的一致性。
2024-02-26 econ.EM
Risk-Averse Welfare Maximization via Marginal Treatment Effects
Grinnell College(格林内尔学院);Indiana University Bloomington(印第安纳大学布卢明顿分校)
本文提出一个结合边际处理效应与相干风险度量的框架,用于风险规避的福利最大化处理分配,并证明其最优规则及有限样本保证,应用于大学录取政策显示风险规避带来显著变化。
2026-09-28 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
Bounds for Treatment Effects in the Presence of Anticipatory Behavior
在计划评估中,各单位通常可以在新政策实施之前就预测到它的实施。这种预期行为可能导致单位的结果变得依赖于他们未来的治疗分配。在本文中,我采用了一个潜在的结果框架来分析与预期的处理效应。我从一个经典的两个时间段的差异中的差异模型开始,并提供易于实现的因果参数估计和推理策略的识别集。经验的应用和推广。我说明了我的研究结果,通过分析提前退休的教师,目标单位可能会预期,对学生成绩的激励计划的效果。实证结果表明,在最坏的情况下,该结果可能被高估30%,并表明在政策评估中没有考虑预期的潜在陷阱。
2022-12-01 econ.EM
Lee Bounds with a Continuous Treatment in Sample Selection
University of California Irvine(加州大学尔湾分校);Institute of Economics, Academia Sinica(中央研究院经济研究所)
本研究将Lee界推广至连续或多值处理变量的样本选择模型,提出充分处理值假设,并采用双重去偏机器学习估计器,以在较弱假设下收紧因果效应界并捕捉异质性。
2025-10-28 econ.EM
Treatment Effects in the Regression Discontinuity Model with Counterfactual Cutoff and Distorted Running Variables
University of Sydney(悉尼大学)
本文提出了一种新的回归断点设计框架,用于评估总政策效应,考虑了治疗对结果的直接效应和运行变量扭曲的间接效应,并通过意大利国内稳定 pact 的实证分析验证了方法的有效性。
2025-11-28 econ.EM
Partial Mean Processes with Generated Regressors: Continuous Treatment Effects and Nonseparable Models
部分均值与生成的回归出现在几个计量经济学问题,如分布的潜在结果与连续治疗和分位数结构函数在一个不可分离的三角模型。本文提出了一种非参数估计的部分均值过程,其中第二步由一个核回归的回归估计在第一步。的主要贡献是一个统一的扩展,详细描述了如何与所产生的回归估计误差影响的边际积分估计的极限分布。一般结果用两个例子来说明:连续治疗的广义倾向评分(Hirano和Imbens,2004)和三角模型中的控制变量(Newey,Powell和Vella,1999; Imbens和Newey,2009)。一个实证应用的工作团计划评估证明了该方法的实用性。
2018-10-31 econ.EM
Functional Sequential Treatment Allocation
考虑这样一种情况:决策者为受试者分配治疗方案,在下一个受试者到达之前观察每个结果。最初,它是未知的治疗是最好的,但问题的顺序性质允许学习的有效性的治疗。当政策制定者通过他们的平均值来比较治疗的有效性时,多武装土匪文献已经揭示了很多情况,但对其他目标的了解要少得多。这是限制性的,因为谨慎的决策者可能更喜欢以稳健的位置度量为目标,例如分位数或修剪均值。此外,社会经济决策往往需要针对成果分配的具体目标特点,如其固有的不平等程度、福利或贫穷。在本文中,我们介绍和研究顺序学习算法时的分布特征的兴趣是一个一般的功能的结果分布。极大极小期望后悔最优性结果内的子类的探索,然后提交的政策,并为所有的政策的无限制类。
2020-08-12 econ.EM
Optimal sequential treatment allocation
在治疗分配问题中,被治疗的个体往往是顺序到达的。我们研究的问题,其中的政策制定者不仅有兴趣在预期的累积福利,但也关注的不确定性/风险的治疗结果。在开始时,甚至可能不知道要进行的治疗分配的总数。提出了一种使最优后悔策略达到最小最大的序贯处理策略。我们还表明,预期的次优治疗的数量只增长缓慢的治疗的数量。最后,我们研究了一个结果只观察延迟的设置。
2018-08-22 econ.EM stat.ML
Identification and Estimation of Optimal Continuous Treatment Effects
School of Economics, University of Sydney(悉尼大学经济系)
本文针对连续处理效应估计中的不适定密度得分问题,提出基于有界结果权重的一类加权平均导数效应,发展其最优有效估计目标的识别与估计理论,并推导有效影响函数及去偏机器学习估计器。
2026-09-17 econ.EM
Optimal Dynamic Treatment Regimes and Partial Welfare Ordering
动态治疗方案是针对异质个体的治疗分配。最优动态治疗制度是一种最大化反事实福利的制度。我们引入了一个框架,在这个框架中,我们可以部分地从观测数据中学习最优动态机制,放松文献中常用的顺序随机化假设,而是使用(二进制)工具变量。我们提出了动态制度下反事实福利的尖锐偏序的概念,并通过一组线性规划建立了从数据到偏序的映射。然后,我们确定的最佳制度的特点是与偏序相关的最大元素的集合。我们将偏序的概念与更传统的使用拓扑排序的部分识别概念联系起来。实际上,拓扑排序可以作为决策者的政策基准。我们应用我们的方法来理解学校教育和毕业后培训的回报,通过结合来自多个来源的数据,将其作为一系列治疗。本文件的框架可以在当前背景之外使用,例如,在不同的反事实情景中建立多种治疗或政策的排名。
2021-07-12 econ.EM
Safe Policy Learning under Regression Discontinuity Designs with Multiple Cutoffs
本文针对多断点回归断点设计提出一种稳健优化策略学习方法,通过分解可识别与不可识别效用成分并利用多断点平滑性假设,学习具有安全性保证的最优处理断点,并建立渐近遗憾界。
2026-11-17 econ.EM stat.ME
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
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
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
Extreme Quantile Treatment Effects under Endogeneity: Evaluating Policy Effects for the Most Vulnerable Individuals
本文提出一种在内生性下估计极端分位数处理效应的新方法,利用正则变化和子抽样保证极端尾部稳健推断,并应用于JTPA职业培训数据,发现最弱势个体的培训效果显著为负。
2024-09-06 econ.EM stat.ME
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
Partial Identification of Policy-Relevant Treatment Effects with Instrumental Variables via Optimal Transport
Stanford University(斯坦福大学)
本文提出通过约束条件下的条件最优传输问题,解决工具变量下政策相关处理效应的部分可识别问题,提出新的估计和推断方法,实验证明其优于传统方法。
2026-04-25 econ.EM stat.ME
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
Profit-Aligned CATE Estimation: Reconciling Policy Learning and Inference
Kellogg School of Management, Northwestern University(西北大学凯洛格管理学院)
本文提出一种将CATE估计与利润最大化对齐的框架,通过优化边界区域的学习能力,解决决策边界处的准确性问题,并统一了标准插件优化与直接政策优化。
2026-04-18 econ.EM stat.ML
Entropy Balancing for Continuous Treatments
本文通过扩展Hainmüller(2012)的原始熵平衡方法,介绍了连续治疗的熵平衡(EBCT)。为了估计平衡权重,所提出的方法解决了一个全局凸约束优化问题。EBCT权重可靠地消除协变量和连续治疗变量之间的Pearson相关性。即使当基于广义倾向评分的其他方法由于对不同治疗强度的强选择而倾向于产生不充分的平衡时,情况也是如此。此外,优化过程更成功地避免了极端的重量附加到一个单一的单位。广泛的蒙特卡罗模拟表明,使用EBCT的处理效应估计值显示出相似或较低的偏倚和均匀较低的均方根误差。这些特性使EBCT成为一种有吸引力的连续治疗评价方法。
2020-05-28 econ.EM stat.ME
Causal Inference on Networks under Continuous Treatment Interference
针对连续处理与网络干扰下的非实验政策评估场景,提出基于广义倾向得分的估计量,可估计直接和溢出效应并适配异质强度的非对称网络,农业市场应用显示忽略干扰会低估政策有效性。
2023-06-12 econ.EM stat.AP stat.ME
Causal-Policy Forest for End-to-End Policy Learning
本文提出因果政策森林算法,通过端到端方法提升策略学习效果,实现CATE估计与策略学习的结合。
2025-12-28 cs.LG econ.EM math.ST
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
Policy Learning with Observational Data
在许多领域,从业者寻求使用观察数据来学习满足应用特定约束的治疗分配策略,例如预算,公平性,简单性或其他功能形式约束。例如,策略可以被限制为基于有限的一组容易观察到的个体特征而采取决策树的形式。我们提出了一种新的方法来解决这个问题的动机半参数有效估计理论。我们的方法可用于优化二进制处理或无穷小的轻推连续治疗,并可以利用观察数据,其中因果关系的影响,确定使用各种策略,包括选择可观察变量和工具变量。鉴于分配给每个人的治疗的因果效应的双重鲁棒估计,我们开发了一个算法来选择谁来治疗,并建立强有力的保证所产生的政策的渐进功利遗憾。
2020-09-04 cs.LG econ.EM math.ST
Estimating a Continuous Treatment Model with Spillovers: A Control Function Approach
本文研究了一个通过社交网络存在治疗溢出的连续处理效应模型。我们假设一个人的结果不仅受到他/她自己的治疗的影响,而且还受到他/她邻居治疗的(加权)平均值的影响,这两者都被视为内生变量。使用具有适当工具变量的控制函数方法,我们表明可以非参数化地识别条件平均潜在结果。我们还考虑了一个更易于经验处理的半参数模型,并为这个模型开发了一个三步估计程序。作为一个实证说明,我们调查的区域失业率对犯罪率的因果关系。
2023-01-11 econ.EM stat.ME
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
Fairness Implications of Heterogeneous Treatment Effect Estimation with Machine Learning Methods in Policy-making
Centre for Social Research and Methods(社会研究与方法中心);Australian National University(澳大利亚国立大学)
本文探讨因果机器学习在政策制定中的公平性,指出标准AI公平方法不适用,提出间接决策场景下的公平定义,强调需谨慎建模以避免决策偏见。
2023-09-02 cs.LG econ.EM
Testing Monotonicity of Mean Potential Outcomes in a Continuous Treatment with High-Dimensional Data
虽然大多数治疗评价集中在二元干预,越来越多的文献也考虑连续分布的治疗。我们提出了一个Cramér-von Mises型检验,用于检验在弱不混淆假设下,特定治疗的平均潜在结果与治疗剂量是否具有弱单调关系。在一个不可分的结构模型,应用我们的方法相当于测试单调性的平均结构函数在连续处理的兴趣。为了在我们的测试方法中灵活地控制可能的高维协变量集,我们提出了一个双去偏机器学习估计器,它以数据驱动的方式解释协变量。我们表明,建议的测试控制渐近大小,并对任何固定的替代品是一致的。这些理论结果得到了蒙特卡罗模拟的支持。作为一个实证说明,我们应用我们的测试的工作团的研究和拒绝之间的弱负相关关系的治疗(小时在学术和职业培训)和劳动力市场表现相对较低的治疗值。
2022-08-27 econ.EM stat.ME
Inference on Optimal Policy Values and Other Irregular Functionals via Softmax Smoothing
Stanford University(斯坦福大学);Harvard University(哈佛大学)
本文提出一种基于Softmax平滑的估计方法,用于推断最优治疗政策的价值,适用于静态和动态治疗方案,仅需拟合常数数量的 nuisance 模型,并在无治疗非响应概率时具有统计效率。
2026-03-30 cs.LG econ.EM math.ST
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
Difference-in-Differences for Health Policy and Practice: A Review of Modern Methods
本文综述了健康政策研究中双重差分法的现代进展,重点讨论平行趋势假设的检验与放宽、交错处理时间的估计方法以及稳健推断,旨在帮助研究者避免传统 DiD 的常见陷阱并正确应用新方法。
2024-08-08 econ.EM stat.AP
Adaptive Experimental Design for Policy Learning
Data Analytics Team, Mizuho–DL Financial Technology, Co., Ltd.(摩根大通数字金融技术公司数据分析团队);Department of Economics, Northwestern University(西北大学经济学系);Graduate School of Economics and Management, Tohoku University(东北大学经济学与管理学院);Department of Economics, Brown University(布朗大学经济学系)
本研究针对情境最佳臂识别问题,提出自适应采样-策略学习(PLAS)策略,以根据情境信息识别最佳治疗臂,并证明其在最坏情况期望遗憾下达到极小极大最优速率。
2025-06-19 cs.AI cs.LG econ.EM
Treatment recommendation with distributional targets
我们研究的问题,决策者必须提供最好的治疗建议的基础上的实验。从政策建议的结果分布的可取性是通过一个功能捕获的分布特性,决策者有兴趣优化测量。这可以是,例如,其固有的不平等、福利、贫困程度或其与理想的成果分配的距离。如果感兴趣的函数不是准凸的或者如果存在约束,则最优推荐可以是处理的混合。这大大扩大了必须考虑的一系列建议。我们通过获得最大期望后悔下界来刻画问题的难度。此外,我们提出了两个(近)后悔最优的政策。第一种策略是静态的,因此适用于实验阶段中顺序到达或不到达的受试者。第二种策略可以利用受试者通过连续消除劣质处理来顺序到达,从而将采样努力花费在最需要的地方。
2022-04-05 econ.EM math.ST stat.ML
A Semiparametric Instrumented Difference-in-Differences Approach to Policy Learning
本文提出一种半参数工具变量双重差分方法,利用二元工具变量在平行趋势假设不成立时识别并学习最优处理策略,构建了Wald、IPW及多重稳健估计量,并扩展到面板数据,通过模拟和真实数据验证了其有效性。
2023-10-14 econ.EM math.ST stat.ME
Automatic Double Machine Learning for Continuous Treatment Effects
本文引入并证明了连续处理效应的一个新的非参数估计的渐近正态性。具体而言,我们估计平均剂量反应函数-在特定治疗水平下感兴趣的结果的预期值。我们利用双去偏机器学习(DML)和自动双重机器学习(ADML)文献的工具来构建我们的估计。我们的估计采用了一种新的去偏置方法,导致很好的理论稳定性和平衡性能。在模拟中,我们的估计表现良好,目前的方法相比。
2021-04-21 econ.EM math.ST stat.ML
Fair Policy Targeting
在社会福利项目中,针对个人的干预措施的一个主要问题是歧视:个性化治疗可能会导致年龄、性别或种族等敏感属性的差异。本文讨论了公平和有效的待遇分配规则的设计问题。我们采用首先不伤害的非恶意观点:我们选择帕累托边界内最公平的分配。我们将优化转换为混合整数线性规划公式,可以使用现成的算法来解决。在一般公平性概念下,我们得到了关于估计的政策函数的不公平性和帕累托边界上的小样本保证的遗憾界。最后,我们说明了我们的方法,从教育经济学的应用。
2022-06-29 econ.EM math.ST stat.ME