Improving on a Lottery: Efficient Estimation of Optimal Assignment Rules
改进抽签分配：最优分配规则的有效估计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：摘要围绕随机分配、处理规则、倾向概率和双重稳健福利估计展开，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
改进抽签分配：最优分配规则的有效估计
- 研究问题
- 稀缺机会通过抽签分配时，如何在限制偏离原有随机机制的同时提高福利，并减少分配规则估计误差带来的遗憾？
- 方法与思路
- 作者将福利最大化与偏离基准随机分配的 KL 惩罚结合，比较已知概率加权、估计倾向概率及双重稳健福利准则。
- 材料陈述的贡献
- 摘要称，遗憾对估计误差呈渐近二次关系；已知分配概率的逆概率加权并非有效，而后两类准则达到有效遗憾分布。
- 阅读关注点
- 应核对 KL 惩罚与最优规则的定义、效率比较的模型和信息集合，以及离散、连续及混合处理下的估计条件。
- 阅读边界
- 这是预印本，同行评审与期刊接收均未核实；摘要未列效率结论的完整条件或精度增益数值，不能推断所有场景都改善。
原文摘要
Scarce opportunities are often allocated by lotteries. We study how to improve such allocations by estimating optimal assignment rules that maximize welfare net of a Kullback--Leibler penalty for departing from the benchmark randomization. The framework covers discrete, continuous, and mixed treatments. Regret is asymptotically quadratic in the estimation error, so inefficient estimation raises the mean of limiting regret, not merely its dispersion. We show that inverse probability weighting with known assignment probabilities is inefficient, whereas estimated-propensity and doubly robust welfare criteria attain the efficient regret distribution. Simulations and a commitment-savings application quantify the resulting precision gains.