操作化反事实度量：激励、排序与信息不对称
机器学习
2023-12-01 v2 计算机与社会
计算机科学与博弈论
摘要
从社会科学到机器学习，已有充分文献表明待优化度量并不总是与社会福利一致。在医疗领域，Dranove等人（2003）指出，发布手术死亡率度量实际上因加剧提供方选择行为而损害了病情更重患者的福利。我们分析了此类平均受治结果度量所产生的激励错配，并表明若度量（i）计入反事实未治疗结果且（ii）考虑总福利而非对受治患者取平均，则驱动治疗决策的激励将与最大化患者总福利相一致。基于此，我们展示了如何修改反事实度量，使其在面向患者的排序系统中表现合理。扩展到提供方比监管机构掌握更多患者信息的现实设定，我们通过委托人与代理人间信息不对称的程度界定了性能衰减的上界。由此，我们的模型将委托人-代理人信息不对称与因果推断中的未观测异质性联系起来。
引用
@article{arxiv.2305.14595,
title = {Operationalizing Counterfactual Metrics: Incentives, Ranking, and Information Asymmetry},
author = {Serena Wang and Stephen Bates and P. M. Aronow and Michael I. Jordan},
journal= {arXiv preprint arXiv:2305.14595},
year = {2023}
}