مقاله یادگیری سیاست های بهینه و منصفانه برای تخصیص آنلاین منابع کمیاب اجتماعی از داده های جمع آوری شده در استقرار

چکیده

We study the problem of allocating scarce societal resources of different types (e.g., permanent housing, deceased donor kidneys for transplantation, ventilators) to heterogeneous allocatees on a waitlist (e.g., people experiencing homelessness, individuals suffering from end-stage renal disease, Covid-19 patients) based on their observed covariates. We leverage administrative data collected in deployment to design an online policy that maximizes expected outcomes while satisfying budget constraints, in the long run. Our proposed policy waitlists each individual for the resource maximizing the difference between their estimated mean treatment outcome and the estimated resource dual-price or, roughly, the opportunity cost of using the resource. Resources are then allocated as they arrive, in a first-come first-serve fashion. We demonstrate that our data-driven policy almost surely asymptotically achieves the expected outcome of the optimal out-of-sample policy under mild technical assumptions. We extend our framework to incorporate various fairness constraints. We evaluate the performance of our approach on the problem of designing policies for allocating scarce housing resources to people experiencing homelessness in Los Angeles based on data from the homeless management information system. In particular, we show that using our policies improves rates of exit from homelessness by 1.9% and that policies that are fair in either allocation or outcomes by race come at a very low price of fairness.

چکیده به فارسی (ترجمه ماشینی)

ما مشکل تخصیص منابع کمیاب اجتماعی در انواع مختلف (به عنوان مثال ، مسکن دائمی ، کلیه های اهدا کننده متوفی برای پیوند ، تهویه هوا) را به تخصیص ناهمگن در لیست انتظار (به عنوان مثال ، افرادی که بی خانمان را تجربه می کنند ، افراد مبتلا به بیماری کلیوی مرحله نهایی ، کوید- کوید را مطالعه می کنیم.19 بیمار) بر اساس متغیرهای مشاهده شده خود.ما از داده های اداری جمع آوری شده در استقرار برای طراحی یک خط مشی آنلاین استفاده می کنیم که در طولانی مدت نتایج مورد انتظار را حداکثر می کند ضمن رضایت از محدودیت های بودجه.خط مشی پیشنهادی ما لیست های انتظار هر فرد را برای حداکثر رساندن تفاوت بین نتیجه متوسط درمان تخمین زده شده و منابع تخمین زده شده دو قیمت یا تقریباً هزینه فرصت استفاده از منبع می کند.منابع پس از ورود ، با روشی که در اولین بار قرار دارند ، اختصاص می یابد.ما نشان می دهیم که سیاست داده های محور ما تقریباً مطمئناً به صورت نامتعارف نتیجه مورد انتظار از سیاست بهینه خارج از نمونه تحت فرضیات فنی خفیف دست می یابد.ما چارچوب خود را گسترش می دهیم تا محدودیت های مختلف انصاف را در خود جای دهیم.ما عملکرد رویکرد خود را در مورد مشکل طراحی سیاست ها برای تخصیص منابع مسکن کمیاب به افرادی که بی خانمان در لس آنجلس را تجربه می کنند ، بر اساس داده های سیستم اطلاعات مدیریت بی خانمان ارزیابی می کنیم.به طور خاص ، ما نشان می دهیم که استفاده از سیاستهای ما 1.9 ٪ نرخ خروج از بی خانمانی را بهبود می بخشد و سیاست هایی که در تخصیص یا نتایج توسط مسابقه عادلانه هستند با قیمت بسیار کمی از انصاف همراه هستند.