Experimental Design for Policy Choice
面向政策选择的实验设计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：摘要直接研究连续处理的自适应实验设计与政策福利选择，并应用于现金转移实验，属于因果实验设计方向。
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
面向政策选择的实验设计
- 研究问题
- 若实验数据最终用于在约束下选择福利最大化政策，如何利用首轮数据设计第二轮实验，使信息收集服务于具体政策决策？
- 方法与思路
- 作者将两轮实验与政策选择写成贝叶斯期望福利动态规划，利用极限实验给出可计算近似，并建立连续处理自适应实验的表示定理。
- 材料陈述的贡献
- 摘要称所提近似具有渐近最优性，并在条件现金转移实验中展示按政策选择目标定制实验可能带来的较大福利收益。
- 阅读关注点
- 应核对先验、政策约束与有限维参数化，首轮数据如何更新第二轮设计，以及近似最优性的渐近条件和应用中的福利度量。
- 阅读边界
- 所给版本为预印本，不能据此确认同行评审或期刊接收；摘要未给具体收益及近似误差，渐近最优不保证有限样本最优。
原文摘要
We show how to optimally design experiments when the resulting data will be used to choose a welfare-maximizing policy subject to constraints. A decision maker seeks to maximize Bayes expected welfare by choosing a policy whose effects depend on an unknown finite-dimensional parameter. The decision maker has access to a first wave of experimental data with a fixed design but may choose the design of a second wave that will be collected before choosing the policy. The resulting experimental design--policy choice problem is a very high-dimensional dynamic program that is generally intractable in finite samples. We propose a tractable approximation based on the limit experiment and show it is asymptotically optimal using a new asymptotic representation theorem for adaptive experiments with continuous treatments. We apply the method to a conditional cash transfer experiment and demonstrate the potential for large gains from tailoring the experiment to the policy choice.