Policy learning with new treatments
包含新处理方案的政策学习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。
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：摘要利用实验处理效应及部分识别进行异质人群的政策分配学习。
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
包含新处理方案的政策学习
- 研究问题
- 研究实验只覆盖部分处理取值时，如何为异质人群选择包含未实验处理的政策，并在效果仅部分识别时控制最坏情形遗憾。
- 方法与思路
- 作者以处理响应的形状限制约束新处理效果，采用极小极大遗憾准则，并将样本决策问题写成线性与整数规划。
- 材料陈述的贡献
- 摘要给出政策遗憾收敛率，并称肯尼亚电网接入补贴应用中，采用未实验处理可比仅用已实验处理显著降低最大遗憾。
- 阅读关注点
- 应核对形状限制的实质依据、部分识别集合与政策类别，以及最大遗憾如何计算、收敛率如何依赖条件处理效应估计。
- 阅读边界
- 仅据所给 Crossref 摘要，不能推断其他版本变化；应用中的遗憾下降依赖设定的识别集合，不能等同于已观察到的福利增长。
原文摘要
I study the problem of a decision maker choosing a policy that allocates treatment to a heterogeneous population on the basis of experimental data that includes only a subset of possible treatment values. The effects of new treatments are partially identified by shape restrictions on treatment response. Policies are compared according to the minimax regret criterion, and I show that the empirical analog of the population decision problem has a tractable linear‐ and integer‐programming formulation. I prove that the rate at which the maximum regret of the estimated policy converges to the lowest possible maximum regret is the maximum of N −1/2 and the rate at which conditional average treatment effects are estimated in the experimental data. In an application to designing targeted subsidies for electrical grid connections in rural Kenya, I find that nearly the entire population should be given a treatment not implemented in the experiment, reducing maximum regret by over 60% compared to the policy that restricts to the treatments implemented in the experiment.