Learning Where to Look: Delaunay Matching for Policy Choice and Data Collection
学会到哪里寻找数据：用于政策选择与数据收集的 Delaunay 匹配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：摘要围绕创新效应的匹配估计与跨总体政策选择展开，最直接对应因果推断；几何插值并不足以归入结构估计或离散选择。
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
学会到哪里寻找数据：用于政策选择与数据收集的 Delaunay 匹配
- 研究问题
- 如何利用已实施创新的供体样本，为尚未实施的目标群体选择政策，并使错误决策的补偿成本不超过有限预算？
- 方法与思路
- 作者研究具有正权重的匹配估计量，从几何角度推导有限与大样本的可负担性保证，并以 Delaunay 插值指导新增供体采集。
- 材料陈述的贡献
- 摘要称在给定供体设计和允许目标总体范围内，Delaunay 插值实现最小的统一补偿预算，并在应用中展示定向采样收益。
- 阅读关注点
- 应核对允许目标总体与效应函数的限制、供体到目标群体的可迁移条件，以及最小预算保证和新增采样规则的适用范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未说明完整保证条件，应用中的采样收益不能视为普遍成本改善幅度。
原文摘要
This paper studies data-driven policy choices from a geometric perspective. A sample from a donor population fully exposed to an innovation informs a policymaker (PM) on whether to innovate groups in a target population where the innovation was not introduced. Any wrong decision must be compensated from a finite budget and the PM seeks an estimator of the innovation's effect that guarantees an affordable compensation cost. I focus on matching estimators with positive weights and derive affordability guarantees when finite and large samples of the populations of interest are available. In the latter case, Delaunay interpolants, whose properties are well-known from results in computational geometry, deliver the smallest budget that covers the compensation cost uniformly over the admissible target populations, and conditional on the donor collection design. This result informs where to look for new donor observations to decrease the worst-case compensation cost the most. In an empirical application, I show that such collection plans halve the cost by adding three donor units, while random sampling fails to reach the same target within twenty additions.