Policy Choice in Time Series by Empirical Welfare Maximization
通过经验福利最大化进行时间序列政策选择AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确以多变量时间序列为数据，并研究动态因果效应下的政策福利选择。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
通过经验福利最大化进行时间序列政策选择
- 研究问题
- 当数据是多变量时间序列，且福利依赖历史、政策影响具有动态性、环境随时间变化时，如何学习最优政策？
- 方法与思路
- 作者提出时间序列经验福利最大化方法，分别研究以历史为条件和不以历史为条件的政策学习，并处理观测间统计依赖。
- 材料陈述的贡献
- 摘要称，论文刻画了政策学习一致性的条件，推导福利遗憾的非渐近上界，并展示其在新冠限制规则选择中的应用。
- 阅读关注点
- 应核对动态政策效应的识别、时间变化与依赖的限制、政策类的复杂度，以及条件和无条件福利目标的差异。
- 阅读边界
- 这是arXiv预印本，同行评审或期刊接收未经核实。摘要未列出具体识别条件、遗憾界形式或疫情应用的数值结果。
原文摘要
This paper develops a novel method for policy choice in a dynamic setting where the available data is a multivariate time series. Overcoming challenges unique to time-series setting such as time-varying environments, history-dependent welfare, dynamic causal effects, and statistical dependence, we propose Time-series Empirical Welfare Maximization (T-EWM) methods. We characterize conditions for T-EWM to consistently learn optimal policies conditional or unconditional on the time-series history, and derive nonasymptotic upper bounds for the welfare regrets. We illustrate a use of T-EWM for optimal restriction rules against Covid-19.