Policy Learning under Endogeneity Using Instrumental Variables
利用工具变量在内生性下学习政策规则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：摘要明确使用工具变量和边际处理效应处理内生选择，并学习福利最优的鼓励政策。
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
利用工具变量在内生性下学习政策规则
- 研究问题
- 在处理选择内生但存在工具变量的观察数据中，如何学习个体化鼓励规则，并识别和优化这类政策所对应的社会福利？
- 方法与思路
- 作者将政策定义为操纵工具变量的鼓励规则，以边际处理效应作为政策不变参数，并用经验福利最大化估计二元规则。
- 材料陈述的贡献
- 摘要称建立最优鼓励规则的福利准则识别，推导福利损失收敛速率，并将方法用于印度尼西亚学费补贴分配。
- 阅读关注点
- 应核对工具变量及边际处理效应的识别条件、政策不变性限制、允许的鼓励规则集合，以及福利估计误差如何影响规则学习。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未列出识别与速率条件，也未报告补贴应用的数值结果。
原文摘要
I propose a framework for learning individualized policy rules in observational data settings characterized by endogenous treatment selection and the availability of an instrumental variable. I introduce encouragement rules that manipulate the instrument. By incorporating the marginal treatment effect (MTE) as a policy invariant parameter, I establish the identification of the social welfare criterion for the optimal encouragement rule. Focusing on binary encouragement rules, I propose to estimate the optimal encouragement rule via the Empirical Welfare Maximization (EWM) method and derive the welfare loss convergence rate. I apply my method to advise on the optimal tuition subsidy assignment in Indonesia.