論文の概要: Machine Learning Who to Nudge: Causal vs Predictive Targeting in a Field
Experiment on Student Financial Aid Renewal
- arxiv url: http://arxiv.org/abs/2310.08672v1
- Date: Thu, 12 Oct 2023 19:08:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-16 15:54:41.146190
- Title: Machine Learning Who to Nudge: Causal vs Predictive Targeting in a Field
Experiment on Student Financial Aid Renewal
- Title(参考訳): 学習する機械学習: 学生の金融支援更新に関するフィールド実験における因果対予測目標
- Authors: Susan Athey, Niall Keleher, Jann Spiess
- Abstract要約: 53,000人以上の大学生を対象に,大規模フィールド実験におけるターゲットの価値を分析した。
中間ベースライン結果のターゲティングが最も効果的であるのに対して,低ベースライン結果のターゲティングは有害であることを示す。
- 参考スコア(独自算出の注目度): 5.669063174637432
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In many settings, interventions may be more effective for some individuals
than others, so that targeting interventions may be beneficial. We analyze the
value of targeting in the context of a large-scale field experiment with over
53,000 college students, where the goal was to use "nudges" to encourage
students to renew their financial-aid applications before a non-binding
deadline. We begin with baseline approaches to targeting. First, we target
based on a causal forest that estimates heterogeneous treatment effects and
then assigns students to treatment according to those estimated to have the
highest treatment effects. Next, we evaluate two alternative targeting
policies, one targeting students with low predicted probability of renewing
financial aid in the absence of the treatment, the other targeting those with
high probability. The predicted baseline outcome is not the ideal criterion for
targeting, nor is it a priori clear whether to prioritize low, high, or
intermediate predicted probability. Nonetheless, targeting on low baseline
outcomes is common in practice, for example because the relationship between
individual characteristics and treatment effects is often difficult or
impossible to estimate with historical data. We propose hybrid approaches that
incorporate the strengths of both predictive approaches (accurate estimation)
and causal approaches (correct criterion); we show that targeting intermediate
baseline outcomes is most effective, while targeting based on low baseline
outcomes is detrimental. In one year of the experiment, nudging all students
improved early filing by an average of 6.4 percentage points over a baseline
average of 37% filing, and we estimate that targeting half of the students
using our preferred policy attains around 75% of this benefit.
- Abstract(参考訳): 多くの環境では、介入は他の個人よりも効果的であり、介入を標的にすることが有益である。
我々は,53,000人以上の大学生を対象に,大規模フィールド実験の文脈におけるターゲットの価値を分析し,非拘束期限前に学生がファイナンシャル・エイド・アプリケーションの更新を促すために「ナッジ」を使用することを目標とした。
まずはターゲティングに対するベースラインアプローチから始めます。
まず,不均一な治療効果を推定する因果樹林を対象とし,最も治療効果が高いと見積もられたものに応じて,学生に治療を割り当てる。
次に,治療の欠如時に財政援助を再開する可能性の低い学生を対象とし,その可能性の高い生徒を対象とする2つのターゲティング政策を評価する。
予測されたベースラインの結果は、ターゲティングの理想的な基準ではなく、低、高、または中間の予測確率を優先するかどうかを優先する基準でもない。
しかしながら、例えば、個々の特徴と治療効果の関係は、歴史的データで見積もることが困難または不可能である場合が多いため、低いベースライン結果のターゲティングは現実的には一般的である。
本稿では,予測的アプローチ(正確な推定)と因果的アプローチ(正確な基準)の両方の長所を取り入れたハイブリッドアプローチを提案する。
実験の1年で、すべての学生が早期申請を平均6.4ポイント改善し、平均37%の申請に対して平均6.4ポイント改善した。
関連論文リスト
- Preference Poisoning Attacks on Reward Model Learning [49.806139447922526]
攻撃者は、目標とする結果の促進または復号化を目標として、好み比較の小さなサブセットを反転させることができることを示す。
最高の攻撃は多くの場合、非常に成功しており、最も極端な場合、100%の成功率を達成することができ、データのわずか0.3%が毒殺されている。
我々はまた、他の種類の毒殺攻撃に対する最先端の防御策が、少なくとも我々の環境では有効性に制限されていることも示している。
論文 参考訳(メタデータ) (2024-02-02T21:45:24Z) - Targeted Machine Learning for Average Causal Effect Estimation Using the
Front-Door Functional [3.0232957374216953]
結果に対する治療の平均因果効果(ACE)を評価することは、しばしば観察研究における要因の相違によって引き起こされる課題を克服することを伴う。
本稿では,目標最小損失推定理論に基づいて,正面基準の新たな推定手法を提案する。
本研究では,早期学業成績が今後の年収に与える影響を明らかにするために,これらの推定装置の適用性を示す。
論文 参考訳(メタデータ) (2023-12-15T22:04:53Z) - When is Off-Policy Evaluation Useful? A Data-Centric Perspective [60.76880827781716]
ログ化されたデータセットだけで仮説的ターゲットポリシーの価値を評価することは重要だが、難しい。
データ中心のフレームワークであるDataCOPEを提案する。
論文 参考訳(メタデータ) (2023-11-23T17:13:37Z) - Pruning the Way to Reliable Policies: A Multi-Objective Deep Q-Learning
Approach to Critical Care [68.8204255655161]
我々は、より信頼性の高いクリティカルケアポリシーを得ることができる深いQ-ラーニングアプローチを導入する。
まず、利用可能なすべての報酬に基づいてアクションセットを抽出し、次に、スパース主報酬に基づいて最終モデルを訓練し、制限されたアクションセットで達成する。
論文 参考訳(メタデータ) (2023-06-13T18:02:57Z) - Difficult Lessons on Social Prediction from Wisconsin Public Schools [32.90759447739759]
早期警戒システムは、学生が退学するリスクがあるかを予測することで、個々の学生への介入を標的にすることを支援する。
広く採用されているにもかかわらず、EWSの有効性に対する私たちの理解には大きなギャップが残っています。
本研究では,学生の退学リスクを正確に判断する実証的証拠を提示する。
卒業率の1桁の上昇を招いた可能性があるが、我々の経験的分析では、前向きな治療効果がないと確実に判断することはできない。
論文 参考訳(メタデータ) (2023-04-13T00:59:12Z) - Causal Inference under Data Restrictions [0.0]
この論文は、不確実性とデータ制限の下での現代の因果推論に焦点を当てている。
これには、ネオアジュバント臨床試験、分散データネットワーク、堅牢な個別化意思決定へのアプリケーションが含まれる。
論文 参考訳(メタデータ) (2023-01-20T20:14:32Z) - Identification of Subgroups With Similar Benefits in Off-Policy Policy
Evaluation [60.71312668265873]
我々は,パーソナライズの必要性と自信ある予測とのバランスをとる方法を開発した。
本手法は不均一な治療効果の正確な予測に有効であることを示す。
論文 参考訳(メタデータ) (2021-11-28T23:19:12Z) - Reliable Off-policy Evaluation for Reinforcement Learning [53.486680020852724]
シーケンシャルな意思決定問題において、非政治評価は、目標政策の期待累積報酬を推定する。
本稿では、1つまたは複数のログデータを用いて、ロバストで楽観的な累積報酬推定を提供する新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2020-11-08T23:16:19Z) - Targeting for long-term outcomes [1.7205106391379026]
意思決定者は、長期的にのみ観察される結果を最大化するために、介入を標的にしたい場合が多い。
ここでは、欠落した長期的成果を暗示するために、統計的代理と政策学習文献に基づいて構築する。
The Boston Globeにおける2つの大規模プロアクティブチャーン管理実験に本手法を適用した。
論文 参考訳(メタデータ) (2020-10-29T18:31:17Z) - Revisiting Membership Inference Under Realistic Assumptions [87.13552321332988]
従来研究でよく用いられていた仮定のいくつかが緩和された環境での会員推定について検討する。
この設定は、研究者が通常考慮するバランスのとれた事前設定よりも現実的である。
我々は、トレーニングセットメンバーに対応する入力が損失関数の局所最小値に近いという直感に基づく新しい推論攻撃を開発する。
論文 参考訳(メタデータ) (2020-05-21T20:17:42Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。