Asymptotic Theory for IV-Based Reinforcement Learning with Potential Endogeneity
潜在内生性下工具变量强化学习的渐近理论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：摘要以工具变量处理决策反馈中的内生性，并研究纠偏后的政策推断。
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
潜在内生性下工具变量强化学习的渐近理论
- 研究问题
- 当决策者持续分析旧数据并据此生成新数据时，这种反馈如何加剧内生性，又如何为纠偏后的最优策略开展推断？
- 方法与思路
- 作者用马尔可夫决策过程描述数据与决策反馈，提出工具变量强化学习算法，并纳入允许迭代依赖转移结构的随机逼近框架。
- 材料陈述的贡献
- 摘要称，动态反馈产生强化偏差；所提算法可纠正该偏差，并给出理论性质及体现环境跨期依赖的最优策略推断公式。
- 阅读关注点
- 核对强化偏差的形式定义、工具变量的有效性条件，以及政策改进、迭代依赖和跨期相关如何进入渐近推断。
- 阅读边界
- 所据为 arXiv 预印本，同行评审或期刊接收未经核实；摘要未给出工具变量构造、完整渐近条件或有限样本比较结果。
原文摘要
In the standard data analysis framework, data is collected (once and for all), and then data analysis is carried out. However, with the advancement of digital technology, decision-makers constantly analyze past data and generate new data through their decisions. We model this as a Markov decision process and show that the dynamic interaction between data generation and data analysis leads to a new type of bias -- reinforcement bias -- that exacerbates the endogeneity problem in standard data analysis. We propose a class of instrument variable (IV)-based reinforcement learning (RL) algorithms to correct for the bias and establish their theoretical properties by incorporating them into a stochastic approximation (SA) framework. Our analysis accommodates iterate-dependent Markovian structures and, therefore, can be used to study RL algorithms with policy improvement. We also provide formulas for inference on optimal policies of the IV-RL algorithms. These formulas highlight how intertemporal dependency of the Markovian environment affects the inference.