Evidence Aggregation for Treatment Choice
处理选择的证据聚合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：摘要以政策因果效应、随机对照试验证据聚合与处理选择决策为核心，直接对应因果推断方向。
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
处理选择的证据聚合
- 研究问题
- 规划者缺乏目标人群的政策因果效应数据，但可获取针对不同人群的类似政策干预研究，应如何利用并聚合这些既有证据来做出政策决策？
- 方法与思路
- 摘要称，作者遵循 Manski（2020）的思路，将规划者的问题设定为以社会福利为目标的统计决策问题，并在最小最大后悔准则下求解最优聚合规则，同时考察该规则的解析性质、计算可行性与福利后悔表现。
- 材料陈述的贡献
- 摘要称，作者提出并刻画了最小最大后悔准则下的最优证据聚合规则，并将其应用于基于 14 项随机对照试验研究决定是否实施积极劳动力市场政策的决策问题。
- 阅读关注点
- 应核对最小最大后悔准则的具体设定、社会福利目标与损失函数的定义、最优聚合规则的推导条件与解析性质，以及 14 项随机对照试验的来源、可比性处理与政策结论的稳健性。
- 阅读边界
- 仅凭摘要无法判断识别假设、推导细节、数值结果与实证结论的可靠性；该文为 arXiv 预印本，同行评审状态未经验证，不能据此声称已被期刊接收。
原文摘要
Consider a planner who has limited knowledge of the policy's causal impact on a certain local population of interest due to a lack of data, but does have access to the publicized intervention studies performed for similar policies on different populations. How should the planner make use of and aggregate this existing evidence to make her policy decision? Following Manski (2020; Towards Credible Patient-Centered Meta-Analysis, \textit{Epidemiology}), we formulate the planner's problem as a statistical decision problem with a social welfare objective, and solve for an optimal aggregation rule under the minimax-regret criterion. We investigate the analytical properties, computational feasibility, and welfare regret performance of this rule. We apply the minimax regret decision rule to decide whether to enact an active labor market policy based on 14 randomized control trial studies.