Leave No One Undermined: Policy Targeting with Regret Aversion
不让任何人受损：具有遗憾厌恶的政策定向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：摘要以异质性处理效应为基础学习政策分配规则，并应用于干预研究，直接支持因果推断分类，未涉及其他明确细分方法。
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
不让任何人受损：具有遗憾厌恶的政策定向
- 研究问题
- 论文研究当训练数据含丰富特征、政策分配却只能使用部分特征时，关注人群遗憾不平等的规划者应如何制定定向规则。
- 方法与思路
- 作者定义遗憾厌恶目标，允许最优规则采用分数式分配，并用去偏经验风险最小化学习规则，分析超额风险的上下界。
- 材料陈述的贡献
- 摘要称，未被分配特征解释的处理效应异质性可导致分数式最优规则；在特定情形下获得每样本量倒数的收敛率及渐近效率。
- 阅读关注点
- 应核对遗憾与不平等的数学定义、分数式规则的实施含义，以及风险界、快速收敛和渐近效率分别依赖哪些条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未说明完整识别假设及快速收敛条件，也不意味着政策保证无人受损。
原文摘要
While the importance of personalized policymaking is widely recognized, fully personalized implementation remains rare in practice, often due to legal, fairness or cost concerns. We study the problem of policy targeting for a regret-averse planner when training data gives a rich set of observables while the assignment rules can only depend on its subset. Our regret-averse criterion reflects a planner's concern about regret inequality across the population. This, in general, leads to a fractional optimal rule due to treatment effect heterogeneity beyond the average treatment effects conditional on the subset of observables. We propose a debiased empirical risk minimization approach to learn the optimal rule from data and establish favorable, new upper and lower bounds for the excess risk, indicating a convergence rate of 1/n and asymptotic efficiency in certain cases. We apply our approach to the National JTPA Study and the International Stroke Trial.