Fair and Robust Estimation of Heterogeneous Treatment Effects for Policy Learning
面向政策学习的公平且稳健的异质处理效应估计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：摘要直接研究异质处理效应估计、双重稳健性及基于因果效应的政策学习，因此归入因果推断。
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
面向政策学习的公平且稳健的异质处理效应估计
- 研究问题
- 政策学习需要利用异质处理效应时，如何在非参数估计中施加公平约束，并理解公平要求与最优政策所能实现福利之间的权衡？
- 方法与思路
- 作者提出公平约束下的非参数异质处理效应估计框架，在所称标准正则条件下研究双重稳健性，并据此刻画公平与最大福利的关系。
- 材料陈述的贡献
- 摘要称该框架的估计量具有双重稳健性质，并能描述公平约束对最优政策可达福利的影响，通过模拟及一个真实案例进行展示。
- 阅读关注点
- 应核对公平约束的定义、双重稳健性涉及的模型及其条件、福利目标和政策可行集合，以及公平与福利权衡的具体刻画方式。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实。摘要未列明公平定义、识别及正则条件，双重稳健性也不能理解为对所有模型错误稳健。
原文摘要
We propose a simple and general framework for nonparametric estimation of heterogeneous treatment effects under fairness constraints. Under standard regularity conditions, we show that the resulting estimators possess the double robustness property. We use this framework to characterize the trade-off between fairness and the maximum welfare achievable by the optimal policy. We evaluate the methods in a simulation study and illustrate them in a real-world case study.