Algorithm as Experiment: Machine Learning, Market Design, and Policy Eligibility Rules
算法即实验：机器学习、市场设计与政策资格规则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：摘要直接研究以算法决策作为工具变量的处理效应估计，并包含多维断点设计，因此归入因果推断。
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
算法即实验：机器学习、市场设计与政策资格规则
- 研究问题
- 当政策或商业决策由算法作出时，能否利用这些决策识别处理效应，并处理复杂资格边界带来的选择偏差？
- 方法与思路
- 作者针对一类随机及确定性算法，将算法决策用作工具变量构造处理效应估计量，并纳入复杂边界的多维断点设计。
- 材料陈述的贡献
- 摘要称估计量对明确界定的因果效应具有一致性与渐近正态性；医院救助应用显示相关活动变化有限，朴素估计存在选择偏差。
- 阅读关注点
- 应核对算法作为工具变量的有效性条件、目标因果效应及边界处理方式，并检查医院救助应用如何排除其他政策影响。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核实；摘要未说明完整识别条件、效应大小及不确定性，不能据此断言政策无效。
原文摘要
Algorithms make a growing portion of policy and business decisions. We develop a treatment-effect estimator using algorithmic decisions as instruments for a class of stochastic and deterministic algorithms. Our estimator is consistent and asymptotically normal for well-defined causal effects. A special case of our setup is multidimensional regression discontinuity designs with complex boundaries. We apply our estimator to evaluate the Coronavirus Aid, Relief, and Economic Security Act, which allocated many billions of dollars worth of relief funding to hospitals via an algorithmic rule. The funding is shown to have little effect on COVID-19-related hospital activities. Naive estimates exhibit selection bias.