通过优先级队列随机化在资源分配中学习处理效应
机器学习
2026-05-26 v1 统计方法学
机器学习
摘要
公共服务项目通常在其收益不确定的情况下分配有限资源，因此需要随机化来支持可信的评估。然而，在实践中，申请人通常进入等候名单，资源通过分层优先级队列优先分配给被认为需求更高的个人，这使得直接随机化变得困难。受此启发，我们开发了一个实验设计框架，用于在治疗最需要帮助的人的同时学习处理效应，其中新来的申请人根据其评估的风险评分被随机分配到优先级队列中。然后，随着预算的可用，治疗按优先级顺序跨队列提供，并在队列内按先到先得原则提供。我们的贡献有两方面。首先，我们描述了在这种优先级队列分配下可以识别哪些因果效应。当到达是外生时，治疗是条件随机的，因此标准估计量是可识别的；当到达是内生时，队列随机化反而为治疗提供了一个工具变量，识别由排队过程引起的局部处理效应。其次，我们开发了优化的队列分配设计，以在统计效率和优先考虑更高需求申请人之间进行权衡。我们在此过程中表明，尽管设计引起的治疗分配存在依赖性，但通常的独立同分布效率界限仍然是合理的优化目标。我们使用美国一个大县的住房分配项目的数据来说明所提出的设计。
引用
@article{arxiv.2605.25169,
title = {Learning Treatment Effects during Resource Allocation via Priority-Queue Randomization},
author = {JungHo Lee and Johnna Sundberg and Pim Welle and Bryan Wilder},
journal= {arXiv preprint arXiv:2605.25169},
year = {2026}
}