Policy Learning with New Treatments
包含新处理选项的政策学习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：摘要以实验处理效应、部分识别和异质人群的处理分配政策学习为核心。
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
包含新处理选项的政策学习
- 研究问题
- 实验只覆盖部分处理取值时，决策者如何为异质人群选择包含未实验处理的政策，并控制最坏情形下的政策遗憾？
- 方法与思路
- 作者用处理响应的形状限制部分识别新处理效应，按极小极大遗憾比较政策，并将样本决策问题写成线性与整数规划。
- 材料陈述的贡献
- 摘要称证明最大遗憾收敛至最优值，速率取决于根号样本量与条件平均处理效应估计；肯尼亚应用中报告遗憾降低逾六成。
- 阅读关注点
- 应核对形状限制的实质依据、新处理取值范围、遗憾的参照政策，以及收敛界和肯尼亚补贴应用中的估计不确定性。
- 阅读边界
- 这是arXiv预印本，同行评审与接收未核实。应用数字是摘要报告的最大遗憾比较，不能直接解释为已实现福利增益。
原文摘要
I study the problem of a decision maker choosing a policy which allocates treatment to a heterogeneous population on the basis of experimental data that includes only a subset of possible treatment values. The effects of new treatments are partially identified by shape restrictions on treatment response. Policies are compared according to the minimax regret criterion, and I show that the empirical analog of the population decision problem has a tractable linear- and integer-programming formulation. I prove the maximum regret of the estimated policy converges to the lowest possible maximum regret at a rate which is the maximum of N^-1/2 and the rate at which conditional average treatment effects are estimated in the experimental data. In an application to designing targeted subsidies for electrical grid connections in rural Kenya, I find that nearly the entire population should be given a treatment not implemented in the experiment, reducing maximum regret by over 60% compared to the policy that restricts to the treatments implemented in the experiment.