Model Selection for Multivalued-Treatment Policy Learning in Observational Studies
观察性研究中多值处理政策学习的模型选择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：摘要明确研究观察性多值处理的福利与政策学习，并使用双重稳健估计及交叉拟合。
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
观察性研究中多值处理政策学习的模型选择
- 研究问题
- 在多值处理且倾向得分未知的观察性研究中，如何选择政策类的复杂度，使数据学习的政策平衡逼近误差与估计误差？
- 方法与思路
- 作者用有限复杂度筛政策类逼近无限复杂度政策类，以双重稳健矩条件和交叉拟合构造福利，再通过复杂度或留出惩罚选择模型。
- 材料陈述的贡献
- 摘要称建立刻画偏差与方差权衡的预言不等式，讨论单调单指标及系统离散化筛选，并应用于不同培训时长的分配政策。
- 阅读关注点
- 应核对观察性政策价值的识别条件、倾向得分与结果模型误差要求、惩罚构造，以及预言界和筛逼近结果的具体形式。
- 阅读边界
- 解读限于所给 OpenAlex 摘要；摘要未说明混杂控制、重叠等识别条件及应用福利增益，不能将政策学习结果直接视为可实施的最优政策。
原文摘要
This study investigates the policy learning problem in observational studies, where the treatment variable can be multivalued and the propensity scores are unknown. We approximate the optimal policy in a global policy class with infinite complexity (VC/Natarajan) dimension, using a sequence of sieve policy classes with finite complexity dimension. The optimal policy within each sieve class is estimated by maximizing the empirical welfare, constructed through the doubly robust moment condition and cross-fitting method. To select the suitable sieve space, we maximize the penalized empirical welfare, with the penalty determined by either the Rademacher complexity or a holdout method. We establish oracle inequalities that demonstrate the bias and variance trade-off achieved by the data-driven policy estimator. We also investigate two specific sieve selections: (1) a monotone single index model and (2) a systematic discretization method, which uses conventional sieve results for smooth functions such as linear sieves and deep neural networks. In the empirical study, we apply our method to examine the policy of assigning individuals to job training of different lengths.