Optimal Binary Prediction for Group Decision Making
群体决策中的最优二元预测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。
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：摘要聚焦通用二元预测与异质群体的福利目标，未明确限定经济离散选择、宏观预测或金融收益预测，细分领域证据不足。
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…
群体决策中的最优二元预测
- 研究问题
- 面对决策问题各异、仅由同一未知二元结果关联的一群决策者，预测者如何选择条件概率模型的估计方法，使预测带来的群体福利达到最优？
- 方法与思路
- 作者在给定logit或probit等条件概率模型的框架下提出最大福利估计，并推导极大似然和非线性最小二乘等传统估计量具有渐近社会最优性的条件。
- 材料陈述的贡献
- 摘要称即使条件概率模型设定错误，传统估计方法在满足所推导条件时仍可渐近实现社会最优，为面向异质决策群体的二元预测提供福利评价框架。
- 阅读关注点
- 重点核对社会福利如何汇总异质决策者的收益或损失、最大福利估计的目标函数，以及模型误设时传统估计量达到渐近最优所需的条件。
- 阅读边界
- 摘要未说明福利权重、决策成本的信息要求、最优性条件的具体形式或有限样本表现；渐近社会最优具有条件限制，不能理解为任意模型误设下都成立。
原文摘要
We address the problem of optimally forecasting a binary variable for a heterogeneous group of decision makers facing various (binary) decision problems that are tied together only by the unknown outcome. A typical example is a weather forecaster who needs to estimate the probability of rain tomorrow and then report it to the public. Given a conditional probability model for the outcome of interest (e.g., logit or probit), we introduce the idea of maximum welfare estimation and derive conditions under which traditional estimators, such as maximum likelihood or (nonlinear) least squares, are asymptotically socially optimal even when the underlying model is misspecified.