Stochastic Treatment Choice with Empirical Welfare Updating
基于经验福利更新的随机处理选择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：摘要研究基于处理效果与经验福利的个体化政策分配，并使用实验数据示例，因此归入因果推断中的处理政策学习。
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
基于经验福利更新的随机处理选择
- 研究问题
- 如何把处理分配规则估计及其福利表现的不确定性纳入政策选择，使社会规划者能够以随机方式实施个体化处理分配？
- 方法与思路
- 作者在分配规则上设定先验，以经验福利而非似然进行更新，抽取后验政策实施处理，并用变分贝叶斯近似不可计算的最优后验。
- 材料陈述的贡献
- 摘要称，推导了福利最优的更新方式，并证明变分近似规则的福利遗憾以 ln(n)/sqrt(n) 的速率趋零，另以职业培训实验数据示例。
- 阅读关注点
- 应核对福利目标和遗憾基准如何定义、速率依赖哪些条件，以及变分近似误差如何进入保证并影响实际随机分配。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已通过同行评审或获期刊接收；摘要未说明遗憾界的具体条件及应用中的福利结果。
原文摘要
This paper proposes a novel method to estimate individualised treatment assignment rules. The method is designed to find rules that are stochastic, reflecting uncertainty in estimation of an assignment rule and about its welfare performance. Our approach is to form a prior distribution over assignment rules, not over data generating processes, and to update this prior based upon an empirical welfare criterion, not likelihood. The social planner then assigns treatment by drawing a policy from the resulting posterior. We show analytically a welfare-optimal way of updating the prior using empirical welfare; this posterior is not feasible to compute, so we propose a variational Bayes approximation for the optimal posterior. We characterise the welfare regret convergence of the assignment rule based upon this variational Bayes approximation, showing that it converges to zero at a rate of ln(n)/sqrt(n). We apply our methods to experimental data from the Job Training Partnership Act Study to illustrate the implementation of our methods.