Optimizing Data-driven Weights In Multidimensional Indexes
多维指数中的数据驱动权重优化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：摘要讨论多维指数赋权，未明确因果、面板或其他所列方向；贝叶斯网络名称不足以归入网络与干扰。
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…
多维指数中的数据驱动权重优化
- 研究问题
- 多维指数各维度的权重包含规范性选择，如何明确权重模型应满足的性质，并据此比较统计、计量与机器学习赋权方法？
- 方法与思路
- 作者先定义一组理想的赋权模型性质，再比较不同计算模型是否满足这些性质，并通过 EU-SILC 数据示例展示贝叶斯网络赋权。
- 材料陈述的贡献
- 摘要称，在其考察的模型中，贝叶斯网络是唯一满足所设性质的模型；作者据此提出更严格的权重选择路径，并展示政策应用潜力。
- 阅读关注点
- 应核对理想性质的规范依据、比较模型范围及唯一性论证，另需检查数据处理、网络设定和权重对政策结论的敏感性。
- 阅读边界
- 这是 arXiv 预印本，不能确认同行评审或期刊接收。摘要未列出性质或候选模型，唯一性结论不能外推至全部赋权方法。
原文摘要
Multidimensional indexes are ubiquitous, and popular, but present non-negligible normative choices when it comes to attributing weights to their dimensions. This paper provides a more rigorous approach to the choice of weights by defining a set of desirable properties that weighting models should meet. It shows that Bayesian Networks is the only model across statistical, econometric, and machine learning computational models that meets these properties. An example with EU-SILC data illustrates this new approach highlighting its potential for policies.