Minimax regret treatment rules with finite samples when a quantile is the object of interest
以分位数为目标的有限样本极小极大遗憾处理规则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：摘要明确以结果分布的特定分位数作为处理决策目标，最直接对应分位数与分布效应，而非收益预测或一般均值效果。
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…
以分位数为目标的有限样本极小极大遗憾处理规则
- 研究问题
- 当决策者仅有有限样本、结果限制在单位区间，且政策目标是结果分布的某个分位数时，不同抽样方案下何种处理规则最优？
- 方法与思路
- 作者在固定处理组规模、随机处理分配及检验创新等抽样情形下推导有限样本极小极大遗憾规则，并进一步考虑包含协变量的情况。
- 材料陈述的贡献
- 摘要称固定组别及随机分配样本下任意规则均最优；创新试验中，最优规则取决于已知未处理分位数与二分之一的关系。
- 阅读关注点
- 应核对分位数政策目标和遗憾的定义、允许的总体与处理规则范围，以及为何某些抽样情形下所有规则具有相同最坏情形表现。
- 阅读边界
- 所据为 arXiv 预印本，不能据此确认同行评审或期刊接收；结论依赖摘要所述目标和抽样设置，具体遗憾值及协变量扩展未说明。
原文摘要
Consider a setup in which a decision maker is informed about the population by a finite sample and based on that sample has to decide whether or not to apply a certain treatment. We work out finite sample minimax regret treatment rules under various sampling schemes when outcomes are restricted onto the unit interval. In contrast to Stoye (2009) where the focus is on maximization of expected utility the focus here is instead on a particular quantile of the outcome distribution. We find that in the case where the sample consists of a fixed number of untreated and a fixed number of treated units, any treatment rule is minimax regret optimal. The same is true in the case of random treatment assignment in the sample with any assignment probability and in the case of testing an innovation when the known quantile of the untreated population equals 1/2. However if the known quantile exceeds 1/2 then never treating is the unique optimal rule and if it is smaller than 1/2 always treating is optimal. We also consider the case where a covariate is included.