.png){kind=icon}
返回
Optimal policy learning using Stata
.png){kind=icon}
PRE
AI
DOI：10.1177/1536867x251341143.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文介绍了用于最优策略学习的软件包opl，它便于在Stata环境中进行事前政策影响评估。尽管在理论上有所进展，但在流行统计软件中，策略学习算法的实际实现仍然不足。为解决这一局限性，opl在Stata中实现了三种流行的策略学习算法——阈值法、线性组合和固定深度决策树，并使用真实数据集对其进行了实际演示。我还提出了策略场景开发，建议采用菜单策略，这在选择变量受福利单调性影响时尤其有用。总体而言，本文有助于弥合策略学习领域中理论进展与实践应用之间的差距。
Keyword:
optimal policy learning
Stata
policy impact evaluation
decision tree
welfare monotonicity
期刊
T
IF:
0
论文数:
41
被引数:
0
机构
引用论文
Who Should Be Treated? Empirical Welfare Maximization Methods for Treatment Choice谁应该被治疗？治疗选择的经验福利最大化方法.png)
ECONOMETRICA
OAAI
ECONOMETRICAIF7.1
OAAI分享收藏Towards data-driven project design: Providing optimal treatment rules for development projects
IF0
PREAI
分享收藏Causal Effects in Nonexperimental Studies: Reevaluating the Evaluation of Training Programs非实验研究中的因果效应: 重新评估培训计划的评估OAAI
OAAI分享收藏
分享收藏Metalearners for estimating heterogeneous treatment effects using machine learning使用机器学习估算异质治疗效果的MetalearnersOAAI
OAAI分享收藏
查看更多内容