比较在有限资源下最大化社会福利的定向策略

机器学习越来越多地用于在人类服务、教育、发展等领域选择哪些个体接受有限资源干预。然而，模型应预测什么量往往并不明显。政策制定者很少能获得随机对照试验 (RCT) 的数据，而这些数据本可准确估计哪些个体从干预中获益更多；观测数据则给处理效应估计带来巨大偏差风险。从业者通常采用一种称为"基于风险的定向"技术，即模型仅用于预测每个个体的现状结果（一项更简单的非因果任务）。预测风险较高者将获得治疗。目前几乎没有实证证据表明哪些选择能在社会领域产生最有效的机器学习辅助定向策略。在本工作中，我们利用来自 5 个真实 RCT 的跨领域数据实证评估此类选择。我们发现，当处理效应可高精度估计时（我们通过允许模型部分提前观测结果来模拟），基于处理效应的定向显著优于基于风险的定向，即使处理效应估计存在偏差。此外，即使政策制定者强烈倾向于帮助高风险个体，这些结果依然成立。然而，我们所考察的大多数 RCT 中实际可用的特征和数据不足以准确估计异质处理效应。我们的结果表明基于处理效应的定向具有显著潜在收益，但实现这些收益需要超越当前常规做法的数据收集和模型训练改进。