更优测量还是更大样本？含未观测异质性的政策学习数据收集
计量经济学
2026-05-06 v2
摘要
实证研究表明，个体对处理的响应沿潜在特征（如先天能力或动机）而异。因此，追求最大化福利的政策制定者可能会考虑基于观测特征和估计的潜在特征来设计政策。我刻画了估计精度如何影响基于包含或排除这些特征的政策分配规则的极小极大遗憾界，从而突显了与政策空间复杂性的新权衡。然后我研究了政策制定者如何通过设计定制的数据收集来解决此类权衡，并推导出数据收集方案达到极小最优的充分条件。在发展经济学的实证应用中，我表明在定向现金转移中包含企业家商业技能的一个代理变量可将福利提高5%，并将产生福利损失的概率减半。此外，我估计了在通过重复测量提高代理变量精度与增加样本量之间资源的最优分配。
引用
@article{arxiv.2604.07181,
title = {Better Measurement or Larger Samples? Data Collection for Policy Learning with Unobserved Heterogeneity},
author = {Giacomo Opocher},
journal= {arXiv preprint arXiv:2604.07181},
year = {2026}
}