Profit-Aligned CATE Estimation: Reconciling Policy Learning and Inference
与利润目标一致的条件平均处理效应估计：协调政策学习与推断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：摘要围绕条件平均处理效应估计和基于处理成本的政策学习展开，直接属于因果推断，未提供其他细分的明确依据。
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
与利润目标一致的条件平均处理效应估计：协调政策学习与推断
- 研究问题
- 如何让条件平均处理效应估计服务于利润最大化，将学习精度集中在处理收益接近成本的决策边界附近？
- 方法与思路
- 作者设计强调决策边界的新目标函数，分析其相对利润目标的 Fisher 一致性，并将代入式与直接政策优化纳入统一框架。
- 材料陈述的贡献
- 摘要称，该目标产生一致的条件平均处理效应估计，包含熵正则政策优化作为特例，并用合成数据展示预测精度与利润的权衡。
- 阅读关注点
- 应核对成本和利润函数的定义、处理效应识别条件、目标函数一致性的证明，以及从政策优化流程恢复效应估计的要求。
- 阅读边界
- 所据为 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未说明观察数据或实验数据的识别条件，也未提供真实部署收益。
原文摘要
We propose a framework that aligns Conditional Average Treatment Effect (CATE) estimation with profit maximization. Our method recognizes that, for customers with extreme treatment effects, additional estimation accuracy is unlikely to change the recommended actions. In contrast, accuracy is critical near the decision boundary, where treatment effects are close to treatment costs. Our approach optimizes a novel objective function that concentrates learning capacity along this boundary. The proposed objective is Fisher consistent with respect to the original profit function and yields a consistent estimator for CATEs. Theoretically, our framework unifies standard plug-in optimization and direct policy optimization as limiting cases of the same optimization problem. We further show that entropy-regularized policy optimization is a special case of our framework. This result has a direct practical implication: firms can recover consistent CATE estimates from existing profit-maximization pipelines. We use synthetic data to demonstrate how the proposed framework allows firms to explicitly navigate the trade-off between global prediction accuracy and profit maximization.