Estimation of Optimal Dynamic Treatment Assignment Rules under Policy Constraints
政策约束下最优动态处理分配规则的估计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：摘要研究利用实验或准实验数据学习多阶段处理分配政策，并以干预福利和政策遗憾评价规则，直接对应因果推断。
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
政策约束下最优动态处理分配规则的估计
- 研究问题
- 在个体接受多阶段干预且政策受到外生限制时，如何依据个体历史估计最优动态分配规则，并控制其相对最优规则的福利损失？
- 方法与思路
- 作者将经验福利最大化用于动态处理规则，分别通过逆向归纳逐阶段求解与跨阶段同时求解，并扩展后者以处理跨期预算和容量约束。
- 材料陈述的贡献
- 摘要称给出两种方法最坏情形平均福利遗憾的有限样本上界及最优平方根样本量收敛率，并纳入跨期预算和容量限制。
- 阅读关注点
- 应核对实验或准实验数据支持政策评价的条件、规则类复杂度、约束的形式，以及遗憾上界与最优收敛率成立的具体范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收状态未核实；摘要未说明识别条件、规则类或计算细节，不能仅凭收敛率判断实际福利收益。
原文摘要
Many policies involve dynamics in their treatment assignments, where individuals receive sequential interventions over multiple stages. We study estimation of an optimal dynamic treatment regime that guides the optimal treatment assignment for each individual at each stage based on their history. We propose an empirical welfare maximization approach in this dynamic framework, which estimates the optimal dynamic treatment regime using data from an experimental or quasi-experimental study while satisfying exogenous constraints on policies. The paper proposes two estimation methods: one solves the treatment assignment problem sequentially through backward induction, and the other solves the entire problem simultaneously across all stages. We establish finite-sample upper bounds on worst-case average welfare regrets for these methods and show their optimal $n^{-1/2}$ convergence rates. We also modify the simultaneous estimation method to accommodate intertemporal budget/capacity constraints.