Locally Asymptotically Minimax Statistical Treatment Rules Under Partial Identification
部分识别下局部渐近极小极大的统计处理规则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：摘要以平均处理效应的部分识别为基础，研究统计处理分配规则。
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
部分识别下局部渐近极小极大的统计处理规则
- 研究问题
- 研究平均处理效应只能部分识别时，如何根据样本制定未来人群的处理分配规则，并在局部渐近意义下控制最坏情形损失。
- 方法与思路
- 作者假定平均处理效应部分识别，对识别区间边界采用方向可微条件，开展局部渐近分析并构造极小极大统计处理规则。
- 材料陈述的贡献
- 摘要称，所得规则区别于直接代入估计值的规则，模拟中表现更好；具体损失函数、优势幅度和适用条件未说明。
- 阅读关注点
- 应核对决策目标与损失函数、局部邻域的定义、识别边界的方向可微性，以及最优规则为何偏离代入规则。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明部分识别的来源，局部渐近最优性不能直接等同于有限样本优势。
原文摘要
Policymakers often desire a statistical treatment rule (STR) that determines a treatment assignment rule deployed in a future population from available data. With the true knowledge of the data generating process, the average treatment effect (ATE) is the key quantity characterizing the optimal treatment rule. Unfortunately, the ATE is often not point identified but partially identified. Presuming the partial identification of the ATE, this study conducts a local asymptotic analysis and develops the locally asymptotically minimax (LAM) STR. The analysis does not assume the full differentiability but the directional differentiability of the boundary functions of the identification region of the ATE. Accordingly, the study shows that the LAM STR differs from the plug-in STR. A simulation study also demonstrates that the LAM STR outperforms the plug-in STR.