論文の概要: Beyond Demand Estimation: Consumer Surplus Evaluation via Cumulative Propensity Weights
- arxiv url: http://arxiv.org/abs/2601.01029v1
- Date: Sat, 03 Jan 2026 01:41:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-06 16:25:21.95414
- Title: Beyond Demand Estimation: Consumer Surplus Evaluation via Cumulative Propensity Weights
- Title（参考訳）: 需要予測を超える:累積比重による消費者余剰評価
- Authors: Zeyu Bian, Max Biggs, Ruijiang Gao, Zhengling Qi,
- Abstract要約: 本稿では,需要関数の明示的な推定と数値積分を回避する推定器を提案する。
我々は、この枠組みを不平等を意識した余剰措置に拡張し、規制当局や企業が利益と平等のトレードオフを定量化できるようにする。
- 参考スコア（独自算出の注目度）: 14.103811043596666
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This paper develops a practical framework for using observational data to audit the consumer surplus effects of AI-driven decisions, specifically in targeted pricing and algorithmic lending. Traditional approaches first estimate demand functions and then integrate to compute consumer surplus, but these methods can be challenging to implement in practice due to model misspecification in parametric demand forms and the large data requirements and slow convergence of flexible nonparametric or machine learning approaches. Instead, we exploit the randomness inherent in modern algorithmic pricing, arising from the need to balance exploration and exploitation, and introduce an estimator that avoids explicit estimation and numerical integration of the demand function. Each observed purchase outcome at a randomized price is an unbiased estimate of demand and by carefully reweighting purchase outcomes using novel cumulative propensity weights (CPW), we are able to reconstruct the integral. Building on this idea, we introduce a doubly robust variant named the augmented cumulative propensity weighting (ACPW) estimator that only requires one of either the demand model or the historical pricing policy distribution to be correctly specified. Furthermore, this approach facilitates the use of flexible machine learning methods for estimating consumer surplus, since it achieves fast convergence rates by incorporating an estimate of demand, even when the machine learning estimate has slower convergence rates. Neither of these estimators is a standard application of off-policy evaluation techniques as the target estimand, consumer surplus, is unobserved. To address fairness, we extend this framework to an inequality-aware surplus measure, allowing regulators and firms to quantify the profit-equity trade-off. Finally, we validate our methods through comprehensive numerical studies.
- Abstract（参考訳）: 本稿では,AIによる意思決定による消費者の余剰効果,特にターゲット価格とアルゴリズムによる貸与について,観察データを用いて評価を行うための実践的枠組みを開発する。
従来の手法は、まず需要関数を推定し、次に消費者余剰を計算するために統合するが、これらの手法は、パラメトリックな需要形式におけるモデルの不特定と、大きなデータ要求と柔軟な非パラメトリックまたは機械学習アプローチの緩やかな収束のために、実際に実装することは困難である。
代わりに、探索と搾取のバランスを取る必要性から生じる現代のアルゴリズム価格に固有のランダム性を活用し、需要関数の明示的な推定と数値積分を避けるための推定器を導入する。
ランダムな価格で観測された各購入結果は、需要の偏りのない見積もりであり、新しい累積確率重み(CPW)を用いて購入結果を慎重に再重み付けすることで、積分を再構築することができる。
この考え方に基づいて、我々は、需要モデルまたは歴史的価格政策分布のいずれかを正確に指定することだけを必要とする、拡張累積確率重み付け (ACPW) 推定器という2つの頑健な変種を導入する。
さらに, 機械学習推定が収束率を低下させた場合でも, 需要推定を組み込むことで, 迅速な収束率を達成するため, 消費者余剰を推定するためのフレキシブルな機械学習手法の利用を促進する。
どちらの推定装置も、目標推定値である消費者余剰値が観測されないため、非政治評価手法の標準適用ではない。
公平性に対処するため、我々はこの枠組みを不平等を意識した余剰措置に拡張し、規制当局や企業が利益と平等のトレードオフを定量化できるようにする。
最後に,本手法を総合的な数値研究により検証する。
関連論文リスト
- e1: Learning Adaptive Control of Reasoning Effort [88.51897900019485]
AIモデルの思考予算の増大は、精度を大幅に向上させるが、すべての質問が同じ量の推論を保証しているわけではない。
ユーザは、アウトプットの品質を、レイテンシやコストに対してどのように評価するかによって、さまざまな理由付けの労力を割り当てる傾向があります。
本稿では,ユーザが指定したトークン数を用いてモデルを学習する自己適応型強化学習手法であるAdaptive Effort Controlを提案する。
論文 参考訳（メタデータ） (2025-10-30T23:12:21Z) - Bayesian Optimization for Dynamic Pricing and Learning [0.306238659426286]
ダイナミックな価格設定は、市場の需要に応じて企業の収益を最大化するために製品の販売価格を調整するプラクティスである。
従来の手法では需要関数の特定のパラメトリック形式を前提としており、強化学習(RL)を用いて最適に近い価格戦略を特定できる。
本稿では,制約付きモデリング仮定を避けるために,動的価格に対する非パラメトリックなアプローチを提案する。
論文 参考訳（メタデータ） (2025-10-14T12:28:06Z) - Cost-Optimal Active AI Model Evaluation [71.2069549142394]
生成AIシステムの開発には、継続的な評価、データ取得、アノテーションが必要である。
我々は、安価だがしばしば不正確で弱いレーダの使用を積極的にバランスさせる新しいコスト認識手法を開発した。
我々は、弱者と強者の間で所定のアノテーション予算を割り当てるためのコスト最適化政策のファミリーを導出する。
論文 参考訳（メタデータ） (2025-06-09T17:14:41Z) - Predictions as Surrogates: Revisiting Surrogate Outcomes in the Age of AI [12.569286058146343]
我々は、生物統計学における数十年前の代理結果モデルと予測駆動推論(PPI)の新たな分野との正式な関係を確立する。
我々は、既存のPPI提案よりも効率的な統計的推論手法である、補正予測を用いた推論を開発する。
我々は,最先端の機械学習/AIモデルを活用した3つのアプリケーションを通じて,既存のPPI提案よりも有効サンプルサイズが大幅に向上したことを示す。
論文 参考訳（メタデータ） (2025-01-16T18:30:33Z) - A Tale of Sampling and Estimation in Discounted Reinforcement Learning [50.43256303670011]
割引平均推定問題に対して最小値の最小値を求める。
マルコフ過程の割引されたカーネルから直接サンプリングすることで平均を推定すると、説得力のある統計的性質が得られることを示す。
論文 参考訳（メタデータ） (2023-04-11T09:13:17Z) - Off-policy evaluation for learning-to-rank via interpolating the
item-position model and the position-based model [83.83064559894989]
産業レコメンデーションシステムにとって重要なニーズは、製品にデプロイする前に、レコメンデーションポリシーをオフラインで評価する機能である。
我々は、最も人気のある2つの非政治推定器の問題を緩和する新しい推定器を開発する。
特に、InterPOLと呼ばれる新しい推定器は、潜在的に不特定位置ベースモデルのバイアスに対処する。
論文 参考訳（メタデータ） (2022-10-15T17:22:30Z) - Loss Functions for Discrete Contextual Pricing with Observational Data [8.661128420558349]
顧客および/または製品の特徴に基づいて、各顧客がコンテキスト化された価格で提供される価格設定について検討する。
顧客の真の価値よりも,各顧客が所定の価格で商品を購入しているかどうかを観察する。
論文 参考訳（メタデータ） (2021-11-18T20:12:57Z) - Learning to Estimate Without Bias [57.82628598276623]
ガウスの定理は、重み付き最小二乗推定器は線形モデルにおける線形最小分散アンバイアスド推定(MVUE)であると述べている。
本稿では、バイアス制約のあるディープラーニングを用いて、この結果を非線形設定に拡張する第一歩を踏み出す。
BCEの第二の動機は、同じ未知の複数の推定値が平均化されてパフォーマンスが向上するアプリケーションにおいてである。
論文 参考訳（メタデータ） (2021-10-24T10:23:51Z) - A Data-Driven Machine Learning Approach for Consumer Modeling with Load
Disaggregation [1.6058099298620423]
本稿では,住宅利用者の消費データから導出したデータ駆動セミパラメトリックモデルの汎用クラスを提案する。
第1段階では、固定およびシフト可能なコンポーネントへの負荷の分散をハイブリッドアルゴリズムを用いて達成する。
第2段階では、モデルパラメータはL2ノルム、エプシロン非感受性回帰法を用いて推定される。
論文 参考訳（メタデータ） (2020-11-04T13:36:11Z) - Uncertainty Quantification for Demand Prediction in Contextual Dynamic
Pricing [20.828160401904697]
本研究では,需要関数に対する精度の高い信頼区間構築の問題について検討する。
偏りのあるアプローチを開発し、偏りのある推定器の正規性を保証する。
論文 参考訳（メタデータ） (2020-03-16T04:21:58Z)
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。