Individualized Decision-Making Under Partial Identification: Three Perspectives, Two Optimality Results, and One Paradox
部分识别下的个体化决策：三种视角、两个最优性结果与一个悖论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：摘要明确讨论未测量混杂、工具变量界限、部分识别与个体化政策分配，因此归入因果推断；未涉及所列其他专属模型。
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
部分识别下的个体化决策：三种视角、两个最优性结果与一个悖论
- 研究问题
- 存在未测量混杂、处理效应只能部分识别时，如何制定个体化政策，并将可得界限转化为有明确决策准则的分配规则？
- 方法与思路
- 作者以价值或效用函数的下界连接部分识别与经典决策理论，建立统一框架，并为特定决策者提出最小最大遗憾规则。
- 材料陈述的贡献
- 摘要称，论文提供新的 minimax 决策解及关联未测量混杂与个体化决策的悖论；框架原则上可用于工具变量界限以外的界限。
- 阅读关注点
- 应核对不同决策视角与损失函数的定义、最坏情形的可行集合、最优规则的推导，以及悖论依赖哪些界限和偏好设定。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未具体说明悖论与各最优性条件，原则上的适用范围不等于已验证普适性。
原文摘要
Unmeasured confounding is a threat to causal inference and gives rise to biased estimates. In this article, we consider the problem of individualized decision-making under partial identification. Firstly, we argue that when faced with unmeasured confounding, one should pursue individualized decision-making using partial identification in a comprehensive manner. We establish a formal link between individualized decision-making under partial identification and classical decision theory by considering a lower bound perspective of value/utility function. Secondly, building on this unified framework, we provide a novel minimax solution (i.e., a rule that minimizes the maximum regret for so-called opportunists) for individualized decision-making/policy assignment. Lastly, we provide an interesting paradox drawing on novel connections between two challenging domains, that is, individualized decision-making and unmeasured confounding. Although motivated by instrumental variable bounds, we emphasize that the general framework proposed in this article would in principle apply for a rich set of bounds that might be available under partial identification.