Optimal Policy Learning for Multi-Action Treatment with Risk Preference using Stata
使用 Stata 进行考虑风险偏好的多行动最优政策学习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：摘要直接研究基于协变量的多行动处理分配，并采用回归调整、逆概率加权和双重稳健方法估计政策价值。
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
使用 Stata 进行考虑风险偏好的多行动最优政策学习
- 研究问题
- 给定结果、多行动处理和协变量，如何学习不同风险偏好下的处理分配政策，并估计其对应的最大福利？
- 方法与思路
- 作者介绍 Stata 命令 opl_ma_fb 及配套 opl_ma_vf，实现第一最优政策学习，并用回归调整、加权和双重稳健公式估值。
- 材料陈述的贡献
- 摘要称，命令支持风险中性、线性风险厌恶与二次风险厌恶，提供最优政策图示及最优政策下价值函数估计。
- 阅读关注点
- 应核对福利目标如何表示风险偏好、第一最优政策的可行约束，以及政策学习和价值估计所需的识别与推断条件。
- 阅读边界
- 这是预印本，同行评审或期刊接收未核实；摘要未说明混杂控制条件、学习误差或软件验证，不能据此保证政策最优性。
原文摘要
This paper presents the Stata community-distributed command "opl_ma_fb" (and the companion command "opl_ma_vf"), for implementing the first-best Optimal Policy Learning (OPL) algorithm to estimate the best treatment assignment given the observation of an outcome, a multi-action (or multi-arm) treatment, and a set of observed covariates (features). It allows for different risk preferences in decision-making (i.e., risk-neutral, linear risk-averse, and quadratic risk-averse), and provides a graphical representation of the optimal policy, along with an estimate of the maximal welfare (i.e., the value-function estimated at optimal policy) using regression adjustment (RA), inverse-probability weighting (IPW), and doubly robust (DR) formulas.