Decision Theory for Treatment Choice Problems with Partial Identification
部分识别下处理选择问题的决策理论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：摘要直接涉及部分识别下的处理选择、实验估计汇总与局部平均处理效应外推，属于因果推断的政策决策问题。
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…
部分识别下处理选择问题的决策理论
- 研究问题
- 当处理效果只能部分识别时，经典统计决策准则如何影响政策选择，尤其是数据利用、最坏情形福利与随机化建议？
- 方法与思路
- 作者在一类高斯似然问题中分析可容许性、最大最小福利和最小最大遗憾，并刻画随机化频率最低的最小最大遗憾规则。
- 材料陈述的贡献
- 摘要称，在其问题类中所有规则均可容许，最大最小福利准则下忽略数据最优；部分识别足够严重时存在无穷多个会随机化的最优遗憾规则。
- 阅读关注点
- 应核对各结论对应的问题类、福利与遗憾定义、部分识别严重程度的条件，以及剖面遗憾比较和政策应用的设定。
- 阅读边界
- 仅据所给在线优先版本摘要，不能将忽略数据最优等结论推广至任意决策问题；完整限制条件和刊本变化均未提供。
原文摘要
Abstract We apply classical statistical decision theory to a large class of treatment choice problems with partial identification. We show that, in a general class of problems with Gaussian likelihood, all decision rules are admissible; it is maximin-welfare optimal to ignore all data; and, for severe enough partial identification, there are infinitely many minimax-regret optimal decision rules, all of which sometimes randomize the policy recommendation. We uniquely characterize the minimax-regret optimal rule that least frequently randomizes, and show that, in some cases, it can outperform other minimax-regret optimal rules in terms of what we call profiled regret. We analyse the implications of our results in the aggregation of experimental estimates for policy adoption, extrapolation of Local Average Treatment Effects, and policy making in the presence of omitted variable bias.