Statistical Treatment Rules under Social Interaction
社会互动下的统计处理规则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：摘要研究社会互动存在时的处理分配，直接涉及干扰与处理决策。
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
社会互动下的统计处理规则
- 研究问题
- 当个体结果受到社会互动影响时，如何选择处理分配比例，并构造具有有限样本效用保障和渐近决策性质的统计处理规则？
- 方法与思路
- 作者在匿名互动假设下把决策归结为处理比例选择，提出多项经验成功规则，分析其期望效用的非渐近界及最小最大遗憾性质。
- 材料陈述的贡献
- 摘要称新规则包含已有经验成功规则作为特例，并给出非渐近效用界，证明其在最小最大遗憾准则下具有渐近最优性。
- 阅读关注点
- 应核对匿名互动允许何种干扰、可选处理比例与样本信息结构，并检查效用界及渐近最优性所依赖的条件和比较规则范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未获核验；摘要未列出完整决策条件，匿名互动下的最优性不能推广至任意社会网络。
原文摘要
In this paper we study treatment assignment rules in the presence of social interaction. We construct an analytical framework under the anonymous interaction assumption, where the decision problem becomes choosing a treatment fraction. We propose a multinomial empirical success (MES) rule that includes the empirical success rule of Manski (2004) as a special case. We investigate the non-asymptotic bounds of the expected utility based on the MES rule. Finally, we prove that the MES rule achieves the asymptotic optimality with the minimax regret criterion.