动态条件分位数处理效应的评估及其在网约车中的应用
统计方法学
2023-05-18 v1 机器学习
机器学习
摘要
许多现代科技公司（如 Google、Uber 和 Didi）利用在线实验（也称为 A/B 测试）来评估新策略相对于现有策略的效果。尽管大多数研究集中在平均处理效应上，但在结果分布呈偏态和重尾的情况下，采用分位数等替代准则可能更有益。然而，评估动态分位数处理效应 (QTE) 仍是一个挑战，特别是在处理涉及跨时空序贯决策的网约车平台数据时。本文建立了一个正式框架，以计算独立于处理变量的特征条件下的 QTE。在特定模型假设下，我们证明了动态条件 QTE (CQTE) 等于各个时期个体 CQTE 之和，即使累积奖励的条件分位数不一定等于个体奖励条件分位数之和。这一关键洞察极大地简化了目标因果估计量的估计与推断过程。随后，我们引入了两个变系数决策过程 (VCDP) 模型，并设计了一种创新方法来检验动态 CQTE。此外，我们扩展了该方法以适应来自时空依赖实验的数据，并考察了条件分位数直接效应和间接效应。为了展示我们方法的实用价值，我们将其应用于网约车平台的三个真实数据集。理论发现和全面的模拟研究进一步证实了我们的提议。
引用
@article{arxiv.2305.10187,
title = {Evaluating Dynamic Conditional Quantile Treatment Effects with Applications in Ridesharing},
author = {Ting Li and Chengchun Shi and Zhaohua Lu and Yi Li and Hongtu Zhu},
journal= {arXiv preprint arXiv:2305.10187},
year = {2023}
}