Learning Who to Treat When Treatment is Missing
处理状态缺失时，如何学习应该干预谁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：摘要围绕缺失处理数据下的政策价值、平均及条件处理效应估计，直接属于因果推断与政策学习。
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…
处理状态缺失时，如何学习应该干预谁
- 研究问题
- 在预算约束下，处理状态缺失如何影响政策价值、条件平均处理效应与干预分配？不同缺失机制下能否有效利用部分观测？
- 方法与思路
- 作者将处理状态缺失下的有效平均处理效应估计扩展到政策价值与条件效应，分别讨论 MAR 和 MCCAR，并开展效率分析与实验。
- 材料陈述的贡献
- 摘要称，在 MCCAR 条件成立时，利用部分观测的 MAR 估计量有效且更高效；实验还显示缺失机制误设可能造成持续偏差。
- 阅读关注点
- 应核对两种缺失机制的精确定义、识别与效率条件、部分观测如何进入估计，以及预算约束下政策学习和评价的具体步骤。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未说明完整识别条件、效率比较范围及近似 oracle 表现的具体数值。
原文摘要
Policy learning methods are increasingly used to inform treatment allocation under budget constraints. Most proposed methods assume complete treatment data, yet applications frequently suffer from missingness that can bias estimates and lead to suboptimal policies. We address this gap by extending efficient estimators for average treatment effect (ATE) estimation to policy value and conditional average treatment effect (CATE) estimation under missing at random (MAR) and missing completely conditionally at random (MCCAR) treatment data. Through asymptotic efficiency analysis, we prove that the MAR estimator, which leverages partially-observed units, is both valid and more efficient than the MCCAR estimator when MCCAR assumptions hold. This result provides formal justification for preferring MAR-based estimation in policy learning under both missing data settings. Our comprehensive experiments using synthetic and semi-synthetic datasets confirm that correctly specifying the missingness mechanism is crucial: misspecified estimators remain biased regardless of sample size, while our estimators achieve near-oracle performance when assumptions are satisfied. Our work provides practitioners with theoretically grounded, empirically validated tools for robust policy learning in the presence of missing treatment data.