Treatment Choice, Mean Square Regret and Partial Identification
处理选择、均方遗憾与部分识别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：摘要围绕部分识别的处理福利及相应处理分配规则展开，直接关联因果处理决策。
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
处理选择、均方遗憾与部分识别
- 研究问题
- 当二元处理的福利效果只能被部分识别时，决策者如何依据均方遗憾选择处理比例，并响应识别区间宽度与估计精度？
- 方法与思路
- 作者以均方遗憾为有限样本决策准则，通过受约束优化计算缩放因子，再将常用 t 统计量作逻辑函数变换得到处理比例。
- 材料陈述的贡献
- 摘要称其最优规则始终采用分数化处理；识别区间越宽，最优比例越接近二分之一，体现对不利情形的谨慎响应。
- 阅读关注点
- 应核对福利与遗憾的形式定义、允许的决策规则、统计实验设定，以及分数化最优性和逻辑函数表达式的成立范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未说明完整决策模型，不能将始终分数化推广至其他福利准则。
原文摘要
We consider a decision maker who faces a binary treatment choice when their welfare is only partially identified from data. We contribute to the literature by anchoring our finite-sample analysis on mean square regret, a decision criterion advocated by Kitagawa, Lee, and Qiu (2022). We find that optimal rules are always fractional, irrespective of the width of the identified set and precision of its estimate. The optimal treatment fraction is a simple logistic transformation of the commonly used t-statistic multiplied by a factor calculated by a simple constrained optimization. This treatment fraction gets closer to 0.5 as the width of the identified set becomes wider, implying the decision maker becomes more cautious against the adversarial Nature.