通过正则化与聚类联合分配森林实现多处理臂的个性化分配
机器学习
2023-11-02 v1 机器学习
计量经济学
统计方法学
摘要
我们考虑从随机对照试验中学习向多个处理臂之一的个性化分配。在标准方法中，若对每个臂分别估计异质处理效应，可能因过度方差而表现不佳。我们转而提出跨处理臂汇集信息的方法：首先，我们考虑一种基于贪婪递归划分、对跨臂效应估计进行收缩的正则化森林分配算法。其次，我们通过一个聚类方案扩充算法，该方案合并具有持续相似结果的处理臂。在模拟研究中，我们将这些方法的性能与单独预测各臂结果进行比较，并记录直接通过正则化与聚类优化处理分配所带来的收益。在一个理论模型中，我们阐明处理臂数量众多如何使寻找最佳臂变得困难，而同时通过正则化优化可从个性化中获得可观的效用增益。
引用
@article{arxiv.2311.00577,
title = {Personalized Assignment to One of Many Treatment Arms via Regularized and Clustered Joint Assignment Forests},
author = {Rahul Ladhania and Jann Spiess and Lyle Ungar and Wenbo Wu},
journal= {arXiv preprint arXiv:2311.00577},
year = {2023}
}