Buchumschlag

Data-Driven Policy Learning for Continuous Treatments

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Ai, Chunrong, Fang, Yue, Xie, Haitian
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Econometrics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Semiparametric Efficiency in Policy Learning with General Treatments
von: Fang, Yue, et al.
Veröffentlicht: (2025)

Data-Automated Policy Learning for Nonlinear Welfare
von: Ai, Chunrong, et al.
Veröffentlicht: (2026)

On Local Overidentification and Efficiency Gains in Modern Causal Inference and Data Combination
von: Chen, Xiaohong, et al.
Veröffentlicht: (2025)

Efficient estimation of average treatment effects with unmeasured confounding and proxies
von: Ai, Chunrong, et al.
Veröffentlicht: (2025)

A Synthetic Business Cycle Approach to Counterfactual Analysis with Nonstationary Macroeconomic Data
von: Shi, Zhentao, et al.
Veröffentlicht: (2025)

Difference-in-Differences Meets Synthetic Control: Doubly Robust Identification and Estimation
von: Sun, Yixiao, et al.
Veröffentlicht: (2025)

Policy Learning with New Treatments
von: Higbee, Samuel
Veröffentlicht: (2022)

The Exact Variance of the Average Treatment Effect Estimator in Cluster Randomized Controlled Trials
von: Fang, Yue, et al.
Veröffentlicht: (2025)

Estimating Continuous Treatment Effects in Panel Data using Machine Learning with a Climate Application
von: Klosin, Sylvia, et al.
Veröffentlicht: (2022)

Optimal Policy Learning for Multi-Action Treatment with Risk Preference using Stata
von: Cerulli, Giovanni
Veröffentlicht: (2025)

Efficient Difference-in-Differences and Event Study Estimators
von: Chen, Xiaohong, et al.
Veröffentlicht: (2025)

Difference-in-Differences with a Continuous Treatment
von: Callaway, Brantly, et al.
Veröffentlicht: (2021)

Difference-in-Differences Estimators with Continuous Treatments and no Stayers
von: de Chaisemartin, Clément, et al.
Veröffentlicht: (2024)

Policy Relevant Treatment Effects with Multidimensional Unobserved Heterogeneity
von: Ura, Takuya, et al.
Veröffentlicht: (2024)

Lee Bounds with a Continuous Treatment in Sample Selection
von: Lee, Ying-Ying, et al.
Veröffentlicht: (2024)

Better Measurement or Larger Samples? Data Collection for Policy Learning with Unobserved Heterogeneity
von: Opocher, Giacomo
Veröffentlicht: (2026)

Difference-in-Differences Estimators for Treatments Continuously Distributed at Every Period
von: de Chaisemartin, Clément, et al.
Veröffentlicht: (2022)

Enabling Decision-Making with the Modified Causal Forest: Policy Trees for Treatment Assignment
von: Bodory, Hugo, et al.
Veröffentlicht: (2024)

Quantile and Distribution Treatment Effects on the Treated with Possibly Non-Continuous Outcomes
von: Djuazon, Nelly K., et al.
Veröffentlicht: (2024)

Testing Shape Restrictions with Continuous Treatment: A Transformation Model Approach
von: Szydłowski, Arkadiusz
Veröffentlicht: (2025)

Policy Learning for Optimal Dynamic Treatment Regimes with Observational Data
von: Sakaguchi, Shosei
Veröffentlicht: (2024)

Identification and Estimation of Unconditional Policy Effects of an Endogenous Binary Treatment: An Unconditional MTE Approach
von: Martinez-Iriarte, Julian, et al.
Veröffentlicht: (2020)

Policy Learning with Observational Data: The Case of Hepatitis C Treatment for HIV/HCV Co-Infected Patients
von: Langevin, Raphaël
Veröffentlicht: (2026)

Nonparametric Bayesian Policy Learning
von: Ye, Haonan
Veröffentlicht: (2026)

Identifying Causal Effects of Discrete, Ordered and ContinuousTreatments using Multiple Instrumental Variables
von: Hoff, Nadja van 't
Veröffentlicht: (2023)

Doubly Robust Identification of Causal Effects of a Continuous Treatment using Discrete Instruments
von: Dong, Yingying, et al.
Veröffentlicht: (2023)

Fast Learning of Optimal Policy Trees
von: Cussens, James, et al.
Veröffentlicht: (2025)

Policy Learning with $α$-Expected Welfare
von: Fan, Yanqin, et al.
Veröffentlicht: (2025)

Estimating Treatment Effects in Panel Data Without Parallel Trends
von: Ishimaru, Shoya
Veröffentlicht: (2026)

Estimating Causal Effects of Discrete and Continuous Treatments with Binary Instruments
von: Chernozhukov, Victor, et al.
Veröffentlicht: (2024)

Heterogeneous Treatment Effects via Linear Dynamic Panel Data Models
von: Marx, Philip, et al.
Veröffentlicht: (2024)

Who With Whom? Learning Optimal Matching Policies
von: Hazard, Yagan, et al.
Veröffentlicht: (2025)

Difference-in-Differences with Time-varying Continuous Treatments using Double/Debiased Machine Learning
von: Haddad, Michel F. C., et al.
Veröffentlicht: (2024)

Heterogeneous Responses to Continuous Treatments: A Cluster-Based Causal Framework
von: Cerqua, Augusto, et al.
Veröffentlicht: (2024)

Data-Driven Real-time Coupon Allocation in the Online Platform
von: Dai, Jinglong, et al.
Veröffentlicht: (2024)

Policy Learning with Confidence
von: Chernozhukov, Victor, et al.
Veröffentlicht: (2025)

The Identification Power of Combining Experimental and Observational Data for Distributional Treatment Effect Parameters
von: Sakaguchi, Shosei
Veröffentlicht: (2025)

Policy Learning under Endogeneity Using Instrumental Variables
von: Liu, Yan
Veröffentlicht: (2022)

Sensitivity of Policy‐Relevant Treatment Parameters to Violations of Monotonicity
von: Luther Yap
Veröffentlicht: (2025)

Classification and Treatment Learning with Constraints via Composite Heaviside Optimization: a Progressive MIP Method
von: Fang, Yue, et al.
Veröffentlicht: (2024)