Interpolated stochastic interventions based on propensity scores, target policies and treatment-specific costs
基于倾向得分、目标政策与处理成本的插值随机干预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：摘要明确研究随机干预的因果识别、政策结果及有效影响函数，直接属于因果推断；离散处理不等于离散选择模型。
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
基于倾向得分、目标政策与处理成本的插值随机干预
- 研究问题
- 如何构造兼顾现有处理分配、目标政策和处理成本的随机干预，并对这些连续变化的政策下的预期结果进行因果推断？
- 方法与思路
- 作者用成本惩罚的信息投影构造两类 Boltzmann–Gibbs 耦合政策，借助倾斜参数插值，并推导有效影响函数和一步估计量。
- 材料陈述的贡献
- 摘要称第一类政策扩展增量倾向得分干预且无需全局正值性，并报告一步估计量相对代入基准具有更好的模拟稳定性与稳健性。
- 阅读关注点
- 应核对两类政策的端点与成本条件、无需全局正值性的具体范围，以及影响函数、干扰参数估计和一步推断的成立要求。
- 阅读边界
- 所据为 arXiv 预印本摘要，同行评审及期刊接收未核实；其他识别条件及稳健性范围未说明，模拟改善不保证任意误设下有效。
原文摘要
We introduce two families of stochastic interventions with discrete treatments that connect causal modeling to cost-sensitive decision making. The interventions arise from a cost-penalized information projection of the independent product of the organic propensity scores and a reference policy, yielding closed-form Boltzmann-Gibbs couplings. The induced marginals define modified stochastic policies that interpolate smoothly, via a tilt parameter, from the organic law or from the reference law toward a product-of-experts limit when all destination costs are strictly positive. The first family recovers and extends incremental propensity score interventions, retaining identification without global positivity. For inference on the expected outcomes after these policies, we derive the efficient influence functions under a nonparametric model and construct one-step estimators. In simulations, the proposed estimators improve stability and robustness to nuisance misspecification relative to plug-in baselines. The framework can operationalize graded scientific hypotheses under realistic constraints. Because inputs are modular, analysts can sweep feasible policy spaces, prototype candidates, and align interventions with budgets and logistics before committing experimental resources.