基于工具回归和广义矩估计的道德风险下的学习
机器学习
2026-04-28 v3 机器学习
摘要
机器学习在数据驱动的政策制定中日益受到青睐。政策影响个体或人群的行为，理想情况下，政策制定者通过观察信号学习哪些政策有效。然而，在许多情况下，个人行动无法被完美观察。这一问题在经济学中称为道德风险，是一个重大的挑战。本文我们研究了根本性的多任务 Principal-Agent 合同设计问题，展示了如何使用工具回归和广义矩估计 (GMM) 估计器来估计或学习一个良好合同。作为附加结果，我们还给出了最优合同形状的均匀特征描述。
引用
@article{arxiv.2405.20642,
title = {Learning Under Moral Hazard with Instrumental Regression and Generalized Method of Moments},
author = {Shiliang Zuo},
journal= {arXiv preprint arXiv:2405.20642},
year = {2026}
}