Optimal Decision Rules when Payoffs are Partially Identified
收益部分识别时的最优决策规则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：摘要明确包含部分识别下的治疗选择应用；离散决策本身不足以归入离散选择模型。
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…
收益部分识别时的最优决策规则
- 研究问题
- 当离散决策的收益依赖部分识别参数，而另一个点识别参数能够约束其范围时，如何同时处理识别歧义与估计不确定性？
- 方法与思路
- 作者以极小极大准则处理部分识别歧义，对点识别参数采用平均风险最小化，并用自助法和准贝叶斯等方法实现决策。
- 材料陈述的贡献
- 摘要称研究推导渐近最优规则，覆盖参数及半参数情形，并提供治疗选择与定价应用，以应对有限样本最优规则难推导的问题。
- 阅读关注点
- 核对两类参数的关系、风险平均所依赖的对象及渐近最优性的定义，并检查自助法和贝叶斯实现需要哪些模型条件。
- 阅读边界
- 这是arXiv预印本，同行评审或期刊接收未核实；摘要未说明损失函数及完整条件，渐近最优不等于有限样本中普遍最优。
原文摘要
We derive asymptotically optimal statistical decision rules for discrete choice problems when payoffs depend on a partially-identified parameter $θ$ and the decision maker can use a point-identified parameter $μ$ to deduce restrictions on $θ$. Examples include treatment choice under partial identification and pricing with rich unobserved heterogeneity. Our notion of optimality combines a minimax approach to handle the ambiguity from partial identification of $θ$ given $μ$ with an average risk minimization approach for $μ$. We show how to implement optimal decision rules using the bootstrap and (quasi-)Bayesian methods in both parametric and semiparametric settings. We provide detailed applications to treatment choice and optimal pricing. Our asymptotic approach is well suited for realistic empirical settings in which the derivation of finite-sample optimal rules is intractable.