WELFARE ANALYSIS VIA MARGINAL TREATMENT EFFECTS
通过边际处理效应进行福利分析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。
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：摘要直接研究不可观测混杂、工具变量、边际处理效应及处理分配福利，明确属于因果推断方向。
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
通过边际处理效应进行福利分析
- 研究问题
- 存在不可观测混杂但有工具变量时，如何识别平均社会福利，并据此制定处理分配规则和控制最坏情形下的福利损失？
- 方法与思路
- 作者以边际处理效应为算子核表示平均社会福利，将该表示用于多类决策规则，并分析经验福利最大化的遗憾收敛率。
- 材料陈述的贡献
- 摘要称，得到内生性情形下社会福利的识别与表示结果，可用于代入、贝叶斯及经验福利最大化规则，并给出最坏平均遗憾速率。
- 阅读关注点
- 应核对工具变量识别条件、福利与边际处理效应的映射、允许的处理规则类别，以及遗憾界对函数估计和规则复杂度的要求。
- 阅读边界
- 仅据所给 Crossref 版本摘要，工具变量条件、福利函数定义和具体收敛率未说明，不能判断政策适用性或其他版本变化。
原文摘要
We consider a causal structure with endogeneity, i.e., unobserved confoundedness, where an instrumental variable is available. In this setting, we show that the mean social welfare function can be identified and represented via the marginal treatment effect as the operator kernel. This representation result can be applied to a variety of statistical decision rules for treatment choice, including plug-in rules, Bayes rules, and empirical welfare maximization rules. Focusing on the application of the empirical welfare maximization framework, we provide convergence rates of the worst-case average welfare loss (regret).