Robust Bayes Treatment Choice with Partial Identification
部分识别下的稳健贝叶斯处理选择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。
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：摘要围绕部分识别的处理效果、实验外部有效性及政策处理选择展开。
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…
部分识别下的稳健贝叶斯处理选择
- 研究问题
- 在处理效果仅部分识别且实验外部有效性存疑时，多先验贝叶斯决策如何选择二元政策，事前与事后规则是否一致，随机化是否有价值？
- 方法与思路
- 作者选取一类先验集合，分别推导允许和不允许随机化的事前、事后稳健贝叶斯规则，并讨论实验外推及跨试验地点的政策选择。
- 材料陈述的贡献
- 摘要称，事前与事后规则通常不一致，随机处理选择在两类问题中均可能最优；即使事后评估遗憾，排除随机规则也可能限制最优选择。
- 阅读关注点
- 应核对先验集合、损失或遗憾函数及部分识别集合的设定，尤其检查随机化最优的条件，以及跨地点外推依赖的限制。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未获核实。摘要未给出具体先验、决策公式和外推条件，不能据此指定实际政策的最优选择。
原文摘要
We study a class of binary treatment choice problems with partial identification through the lens of robust (multiple prior) Bayesian analysis. We use a convenient set of prior distributions to derive ex-ante and ex-post robust Bayes decision rules, both for decision makers who can randomize and for decision makers who cannot. Our main messages are as follows: First, ex-ante and ex-post robust Bayes decision rules do not agree in general, whether or not randomized rules are allowed. Second, randomized treatment assignment for some data realizations can be optimal in both ex-ante and, perhaps more surprisingly, ex-post problems. Therefore, it is usually with loss of generality to exclude randomized rules from consideration, even when regret is evaluated ex post. We apply our results to a stylized problem where a policy maker uses experimental data to choose whether to implement a new policy in a population of interest, but is concerned about the external validity of the experiment at hand (Stoye, 2012); and to the aggregation of data generated by multiple randomized control trials in different sites to make a policy choice in a population for which no experimental data are available (Manski, 2020; Ishihara and Kitagawa, 2021).