مقاله نظریه تصمیم گیری برای مشکلات انتخاب درمان با تشخیص جزئی

چکیده

We apply classical statistical decision theory to a large class of treatment choice problems with partial identification, revealing important theoretical and practical challenges but also interesting research opportunities. The challenges are: In a general class of problems with Gaussian likelihood, all decision rules are admissible; it is maximin-welfare optimal to ignore all data; and, for severe enough partial identification, there are infinitely many minimax-regret optimal decision rules, all of which sometimes randomize the policy recommendation. The opportunities are: We introduce a profiled regret criterion that can reveal important differences between rules and render some of them inadmissible; and we uniquely characterize the minimax-regret optimal rule that least frequently randomizes. We apply our results to aggregation of experimental estimates for policy adoption, to extrapolation of Local Average Treatment Effects, and to policy making in the presence of omitted variable bias.

چکیده به فارسی (ترجمه ماشینی)

ما تئوری تصمیم گیری آماری کلاسیک را در طبقه بزرگی از مشکلات انتخاب درمان با شناسایی جزئی به کار می بریم و چالش های مهم نظری و عملی را نشان می دهیم اما فرصت های تحقیقاتی جالب را نیز نشان می دهیم.چالش ها این است: در یک طبقه کلی از مشکلات با احتمال گاوسی ، کلیه قوانین تصمیم گیری قابل قبول است.نادیده گرفتن همه داده ها بهینه بهینه است.و ، برای شناسایی جزئی جزئی ، بی نهایت بسیاری از قوانین تصمیم گیری بهینه Minimax-Regret وجود دارد که همه اینها گاهی اوقات توصیه سیاست را تصادفی می کنند.فرصت ها عبارتند از: ما معیار پشیمانی پروفایل را معرفی می کنیم که می تواند تفاوت های مهمی بین قوانین را نشان دهد و برخی از آنها را غیرقابل قبول می کند.و ما به طور منحصر به فرد قانون بهینه Minimax-Regret را توصیف می کنیم که حداقل اغلب به طور تصادفی تصادفی می شود.ما نتایج خود را برای تجمع برآوردهای تجربی برای اتخاذ سیاست ، برون یابی اثرات درمانی متوسط محلی و سیاست گذاری در حضور تعصب متغیر حذف شده اعمال می کنیم.