Regret analysis in threshold policy design
阈值政策设计中的遗憾分析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：摘要以实验数据中的处理分配和总体福利优化为核心，直接对应因果推断中的政策学习。
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
阈值政策设计中的遗憾分析
- 研究问题
- 利用实验数据选择按可观测特征阈值分配处理的政策时，如何最大化总体福利，并评价所选政策相对最优政策的福利损失？
- 方法与思路
- 作者刻画经验福利最大化政策的遗憾，提出平滑福利最大化政策，并比较二者对总体分布的依赖及蒙特卡洛有限样本表现。
- 材料陈述的贡献
- 摘要称，在附加平滑条件下，新政策改善遗憾收敛速度，并在若干情境中保障更高福利；实证示例展示两种政策建议的差异。
- 阅读关注点
- 应核对福利目标与遗憾定义、附加平滑条件和平滑参数选择，尤其确认更快收敛及更高福利分别在哪些情境下成立。
- 阅读边界
- 仅依据所给 RePEc 出版社摘要；具体平滑条件、实验设计及福利比较数值未说明，不能据此认定新政策普遍占优或推断版本变化。
原文摘要
Threshold policies are decision rules that assign treatments based on whether an observable characteristic exceeds a certain threshold. They are widespread across multiple domains, including welfare programs, taxation, and clinical medicine. This paper examines the problem of designing threshold policies using experimental data, when the goal is to maximize the population welfare. First, I characterize the regret – a measure of policy optimality – of the Empirical Welfare Maximizer (EWM) policy, popular in the literature. Next, I introduce the Smoothed Welfare Maximizer (SWM) policy, which improves the EWM’s regret convergence rate under an additional smoothness condition. The two policies are compared by studying how differently their regrets depend on the population distribution, and investigating their finite sample performances through Monte Carlo simulations. In many contexts, the SWM policy guarantees larger welfare than the EWM. An empirical illustration demonstrates how the treatment recommendations of the two policies may differ in practice.