Risk-Averse Welfare Maximization via Marginal Treatment Effects
利用边际处理效应实现风险厌恶福利最大化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：摘要结合内生选择下的边际处理效应与福利分布偏好研究政策配置。
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
利用边际处理效应实现风险厌恶福利最大化
- 研究问题
- 个体基于不可观测特征自选处理时，如何制定重视不利福利结果的配置政策，并衡量学习这种政策的统计难度？
- 方法与思路
- 作者结合边际处理效应与相干风险度量，通过 Kusuoka 表示刻画福利分布权重、最优配置及经验政策学习。
- 材料陈述的贡献
- 摘要称该框架连接不确定性厌恶、分布稳健性和最坏福利，给出有限样本遗憾保证，并展示大学入学政策变化。
- 阅读关注点
- 应核对边际处理效应的识别条件、风险度量所对应的福利偏好，以及政策可行集和遗憾界对风险敏感度的依赖。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未说明工具变量与政策约束条件，应用结论依赖所选福利偏好。
原文摘要
This paper studies risk-averse treatment allocation when individuals self-select into treatment based on unobserved characteristics. We develop a framework that combines the marginal treatment effect approach to endogenous selection with a general class of coherent risk measures that capture distributional preferences over welfare outcomes. We show that the planner's problem admits equivalent interpretations in terms of uncertainty aversion, distributional robustness, and worst-case welfare. For law-invariant coherent risk measures, we derive a Kusuoka representation that expresses the planner's objective as a weighted evaluation of different regions of the welfare distribution and characterize the resulting optimal allocation rule. We further establish finite-sample regret guarantees for empirical risk-averse policy learning, showing how the statistical difficulty of learning a policy depends on the planner's sensitivity to adverse welfare outcomes. The framework nests the risk-neutral policy learning model of \cite{Kiatagawa_Tetenov_2018} as a special case. An application to the \cite{Card1995} college proximity data demonstrates that incorporating risk aversion can lead to economically meaningful changes in optimal college admission policies.