Policy Learning with Rare Outcomes
稀有结局下的政策学习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：摘要以条件平均处理效应、双重稳健得分及干预分配政策为核心，并用于医保补贴政策，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
稀有结局下的政策学习
- 研究问题
- 在稀有结局相关的政策分配任务中，不同政策学习算法、处理效应学习器及政策价值呈现方式，具有怎样的有限样本表现？
- 方法与思路
- 作者用合成数据比较基于条件平均处理效应和双重稳健得分的政策树，以偏离理想政策的程度衡量分配，再应用于医保补贴。
- 材料陈述的贡献
- 摘要称基于估计处理效应的政策树表现更好，因果森林与标准化双重稳健学习器较稳定，并展示降低印度尼西亚婴儿死亡的应用。
- 阅读关注点
- 应核对结局稀有程度、数据生成机制、政策约束与理想政策定义，并检查政策价值估计的不确定性及各学习器的公平比较。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未给出稀有率、识别假设与比较数值，所述算法表现限于考察设置。
原文摘要
Machine learning (ML) estimates of conditional average treatment effects (CATE) can guide policy decisions, either by allowing targeting of individuals with beneficial CATE estimates, or as inputs to decision trees that optimise overall outcomes. There is limited information available regarding how well these algorithms perform in real-world policy evaluation scenarios. Using synthetic data, we compare the finite sample performance of different policy learning algorithms, machine learning techniques employed during their learning phases, and methods for presenting estimated policy values. For each algorithm, we assess the resulting treatment allocation by measuring deviation from the ideal ("oracle") policy. Our main finding is that policy trees based on estimated CATEs outperform trees learned from doubly-robust scores. Across settings, Causal Forests and the Normalised Double-Robust Learner perform consistently well, while Bayesian Additive Regression Trees perform poorly. These methods are then applied to a case study targeting optimal allocation of subsidised health insurance, with the goal of reducing infant mortality in Indonesia.