Personalized Assignment to One of Many Treatment Arms via Regularized and Clustered Joint Assignment Forests
University of Michigan(密歇根大学);Stanford University(斯坦福大学);University of Pennsylvania(宾夕法尼亚大学);New York University(纽约大学)
本文针对多治疗臂个性化分配问题,提出正则化森林分配算法并结合聚类方案以跨臂汇集信息,从而在大量治疗臂场景下提升分配效用。
2023-11-01 cs.LG 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
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
Calibrating doubly-robust estimators with unbalanced treatment assignment
针对处理组样本稀少导致倾向得分估计不稳的问题,本文扩展 DML,通过欠采样建模并校准得分以匹配原始分布,在保持渐近性质的同时改善有限样本表现。
2024-06-11 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
Robust Inference for the Direct Average Treatment Effect with Treatment Assignment Interference
Princeton University(普林斯顿大学)
本文针对随机网络干扰下的因果推断,引入 Ising 模型刻画处理分配依赖,建立 Hájek 估计量的 Berry-Esseen 型及一致分布近似,并提出基于条件高斯化和重采样的稳健推断程序,通过 Monte Carlo 模拟验证其有效性。
2025-06-26 econ.EM stat.ME
Semiparametric estimation of heterogeneous treatment effects under the nonignorable assignment condition
本文提出了一种异质处理效应(HTE)的半参数两阶段最小二乘估计。HTE是第一类Fredholm积分方程的解,这类积分方程是不适定问题。朴素的半/非参数方法不提供稳定的解决方案,这样的问题。然后提出在保证积分逆映射连续和消除不适定性的约束下,用正交级数逼近感兴趣的函数。我们通过仿真实验说明了所提出的估计器的性能。
2019-02-26 econ.EM stat.ME
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
A Comparison of Methods for Treatment Assignment with an Application to Playlist Generation
Hong Kong University of Science and Technology(香港科技大学);New York University(纽约大学);Spotify
这项研究提出了一个系统的比较方法的个人治疗分配,一个普遍的问题,出现在许多应用程序中,并已收到显着的关注,经济学家,计算机科学家和社会科学家。我们将文献中提出的各种方法分为三类算法(或元学习者):预测结果的学习模型(O-学习者),预测因果效应的学习模型(E-学习者)和预测最佳治疗分配的学习模型(A-学习者)。我们从(1)它们的通用性水平和(2)它们用于从数据中学习模型的目标函数方面比较了元学习器;然后我们讨论了这些特征对建模和决策的影响。值得注意的是,我们通过分析和经验证明,优化结果或因果效应的预测与优化治疗分配不同,这表明一般来说,A学习者应该比其他元学习者获得更好的治疗分配。我们在为每个用户选择最佳播放列表生成算法以优化参与度的背景下展示了我们的发现的实际影响。这是三种不同的元载体在实际应用中的首次大规模比较(基于超过5亿个单独的治疗分配)。除了支持我们的分析结果外,结果还显示了大型A/B测试可以为学习治疗分配策略提供实质性价值,而不是简单地选择平均表现最好的变体。
2022-04-30 cs.LG econ.EM stat.ME
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
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
Large-Sample Properties of the Synthetic Control Method under Selection on Unobservables
本文研究合成控制法在不可观测选择下面板数据中的大样本性质,证明在预处理期足够长时,该方法对一类线性模型可提供渐近正态估计,成为双重差分法的替代方案。
2023-12-25 econ.EM
Optimal Experimental Design and Estimation when Potential Outcomes are Bounded
Brown University(布朗大学)
本文针对潜在结果有界的有限总体平均处理效应估计问题,提出独立随机分配结合无截距回归的最优实验设计,其最坏情况均方误差优于平衡完全随机化等方法,且可扩展至任意估计量场景。
2026-08-28 econ.EM
Statistical Treatment Rules under Social Interaction
在本文中,我们研究的治疗分配规则中存在的社会互动。我们构建了一个分析框架下的匿名互动假设,决策问题成为选择一个治疗分数。我们提出了一个多项经验成功(MES)规则,包括经验成功规则的曼斯基(2004)作为一个特殊情况。我们研究了基于MES规则的期望效用的非渐近界。最后,我们证明了MES规则达到渐近最优极小极大后悔准则。
2022-11-09 econ.EM
Minimax regret treatment rules with finite samples when a quantile is the object of interest
Pennsylvania State University(宾夕法尼亚州立大学);Keystone(基斯通)
本文研究了在有限样本下,针对结果分布特定分位数的最小化遗憾治疗规则,发现当分位数超过1/2时,永远不治疗最优;当分位数小于1/2时,总是治疗最优。
2026-01-06 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
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
A joint test of unconfoundedness and common trends
本文针对两期面板数据下识别处理组平均处理效应的无混淆性与共同趋势假设,提出结合机器学习的双重稳健联合过度识别检验,通过模拟和实证验证了其性能。
2024-06-24 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
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
Robust and Efficient Estimation of Potential Outcome Means under Random Assignment
本文研究多处理水平随机实验中潜在结果均值的高效估计,证明独立斜率线性 RA 的渐近优势并刻画稳健非线性 RA 类,且用于估计溢油预防项目支付意愿下界。
2024-08-08 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
A Unified Framework for Identification and Inference of Local Treatment Effects in Sharp Regression Kink Designs
School of Economics, Shanghai University of Finance and Economics(上海财经大学经济学院)
本文为尖锐回归扭折设计中的局部处理效应开发了一个统一的识别、估计与一致推断框架,通过局部多项式约束回归实现估计,并应用于检验失业保险对失业持续期分布及不平等的影响。
2025-10-31 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
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
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
Weighting-Based Treatment Effect Estimation via Distribution Learning
本文提出一种基于分布学习的加权方法,通过学习协变量条件分布并利用密度比作为权重,以缓解模型误设,实验表明其在估计ATT上优于现有加权方法且具有双稳健性。
2023-05-08 cs.LG econ.EM stat.ML
Federated Causal Inference in Heterogeneous Observational Data
Emory University(埃默里大学);Cornell University(康奈尔大学);United States Military Academy(美国军事学院);Harvard University(哈佛大学);Johns Hopkins University(约翰斯·霍普金斯大学);Stanford University(斯坦福大学)
针对多站点隐私限制与数据异构性,提出基于倾向得分的联邦因果推断方法,通过本地计算与跨站点聚合估计平均处理效应,并证明其渐近性质及在医疗数据库中的有效性。
2023-04-02 cs.LG econ.EM q-bio.QM
Optimal Experimental Design for Staggered Rollouts
本文研究多期交错处理实验的最优起始时间设计,给出非自适应 NP-hard 问题的近似最优方案,并提出 PGAE 自适应算法以支持有效推断,机会成本较静态基准降低逾50%。
2023-09-26 econ.EM stat.ME stat.ML