Treatment Choice with Nonlinear Regret

Technisches Resümee: Wahl der Behandlung mit nichtlinearer Reue (Nonlinear Regret)

Problemstellung
Die vorliegende Arbeit befasst sich mit dem Problem der statistischen Behandlungsentscheidung, insbesondere mit der Frage, wie experimentelle Daten genutzt werden können, um optimale politische Entscheidungen hinsichtlich der gesellschaftlichen Wohlfahrt zu treffen. Aufbauend auf dem Rahmenwerk der statistischen Entscheidungstheorie nach Wald (1950) und der Literatur zur Behandlungsentscheidung nach Manski (2004), kritisieren die Autoren den vorherrschenden Fokus auf die Minimierung des Mittelwerts der Wohlfahrtsreue (erwartete Reue). Sie argumentieren, dass dieses lineare Kriterium zu „Singleton-Regeln“ führt – Entscheidungsregeln, die entweder die gesamte Population behandeln oder niemanden. Die Autoren zeigen auf, dass solche Regeln eine unerwünschte Sensitivität gegenüber Stichprobenunsicherheit aufweisen; kleine Schwankungen in den Daten können zu abrupten Wechseln zwischen der Behandlung aller und der Behandlung niemand führen, was insbesondere in endlichen Stichproben aufgrund von Zufallsfehlungen bei der Stichprobenziehung zu großen Wohlfahrtsverlusten führen kann. Darüber hinaus erfasst das Paradigma der mittleren Reue nicht die Abneigung von Entscheidungsträgern gegen große Wohlfahrtsverluste in ungünstigen Zuständen der Welt.

Methodik
Um diese Einschränkungen zu adressieren, schlagen die Autoren ein neuartiges entscheidungstheoretisches Rahmenwerk vor, das den Mittelwert einer nichtlinearen Transformation der Reue minimiert, bezeichnet als $g(\text{Regret})$. Dieses Kriterium, bezeichnet als „nichtlineare Reuerisiko“ (nonlinear regret risk), bezieht höhere Momente der Reueverteilung (wie die Varianz) in den Optimierungsprozess ein.

• Risikofunktion: Die Performance einer Behandlungsregel $\hat{\delta}$ wird über $R_g(\hat{\delta}, P) = E_{P^n}[g(\text{Reg}(\hat{\delta}))]$ evaluiert.
• Spezifischer Fokus: Die Arbeit konzentriert sich primär auf die mittlere quadratische Reue (mean square regret), wobei $g(r) = r^2$ gilt. Diese spezifische Transformation bestraft Regeln, die eine hohe Varianz der Reue (und damit eine hohe Varianz der Wohlfahrt) zur Folge haben, wodurch sie eine „Reueaversion“ (regret aversion) berücksichtigt.
• Optimalitätskriterien: Die Autoren leiten optimale Regeln unter zwei Kriterien her:
  1. Bayes-Optimalität: Minimierung des erwarteten nichtlinearen Reuerisikos unter Berücksichtigung einer Prior-Verteilung über potenzielle Ergebnisverteilungen.
  2. Minimax-Optimalität: Minimierung des Worst-Case-nichtlinearen Reuerisikos über die Menge der möglichen Verteilungen.
• Theoretisches Rahmenwerk: Die Analyse nutzt Gaußsche Modelle für endliche Stichproben und erweitert diese auf Settings mit großen Stichproben mittels des Limit-Experiment-Frameworks (Le Cam, 1986), in Anlehnung an Hirano und Porter (2009, 2020).

Wesentliche Beiträge und Ergebnisse

1. Unvollständigkeit und Inadmissibilität von Singleton-Regeln:
   Die Arbeit stellt fest, dass für eine breite Klasse nichtlinearer Transformationen (einschließlich der mittleren quadratischen Reue) die Klasse der Singleton-Regeln nicht wesentlich vollständig (not essentially complete) ist. Im Gegensatz zum Fall der linearen Reue, in dem Singleton-Schwellenwertregeln oft admissibel und wesentlich vollständig sind, beweisen die Autoren, dass Singleton-Regeln bei nichtlinearen Reuerisiken im Allgemeinen inadmissibel sind. Konkret existiert für jede Singleton-Regel eine „fraktionierte“ Regel (die eine Proportion der Population behandelt), die sie in Bezug auf das nichtlineare Reuerisiko dominiert. Dies liefert eine entscheidungstheoretische Rechtfertigung für fraktionierte Behandlungszuweisungen, ohne auf Modellambiguität, strategisches Verhalten oder nichtlineare Wohlfahrtsfunktionen zurückgreifen zu müssen.

2. Geschlossene optimale Regeln:
   Die Autoren leiten explizite, geschlossene Lösungen für sowohl Bayes-optimale als auch Minimax-optimale Regeln unter mittlerer quadratischer Reue her:

• Minimax-Regel: In einem Gaußschen Experiment mit bekannter Varianz nimmt die minimax-optimale Regel eine einfache logistische Form an:
  $$\hat{\delta}^*(\bar{Y}) = \frac{\exp(2 \cdot \tau^* \cdot \bar{Y})}{\exp(2 \cdot \tau^* \cdot \bar{Y}) + 1}$$
  wobei $\tau^* \approx 1,23$ eine Konstante ist, die aus der ungünstigsten Prior-Verteilung abgeleitet wurde, und $\bar{Y}$ der Stichprobenmittelwert (oder die t-Statistik) ist. Diese Regel stimmt mit der Posterior-Wahrscheinlichkeits-Matching-Regel unter einer ungünstigsten Prior-Verteilung überein, die auf zwei symmetrischen Punkten unterstützt ist.
• Bayes-Regel: Die Bayes-optimale Regel ist eine „getiltete“ Version der Posterior-Wahrscheinlichkeits-Matching-Regel. Sie passt die Wahrscheinlichkeit der Behandlung basierend auf der Magnitude des Behandlungseffekts an, indem sie Wahrscheinlichkeiten näher bei 0 oder 1 zuweist als das Standard-Matching, es sei- denn, die Prior-Verteilung ist auf zwei symmetrischen Punkten unterstützt, in welchem Fall sie zur Standard-Matching-Regel reduziert.

3. Interpretation als Zusammenfassende Statistik:
   Die Autoren schlagen vor, dass die fraktionierte Behandlungszuweisung $\hat{\delta}^*$ als Zusammenfassende Statistik interpretiert werden kann, welche die Stärke der Evidenz zugunsten der Behandlung gegenüber der Kontrolle quantifiziert. Im Gegensatz zur „Empirical Success“ (ES)-Regel, die eine binäre Entscheidung erzwingt, bietet die vorgeschlagene Regel ein kontinuierliches Maß an Konfidenz. Die Arbeit stellt fest, dass dieses Maß distinkt ist und oft informativer als der Standard-P-Wert ist, da es aus einem Optimalitätskriterium (Minimax-mittlere quadratische Reue) abgeleitet wird und nicht bloß aus Hypothesentests.

4. Anwendungen und Effizienz:

• Normale Regression: Das Rahmenwerk wird auf ein normales Regressionsmodell mit binärer Behandlung angewendet, was eine praktikable, asymptotisch minimax-optimale Regel basierend auf der t-Statistik liefert.
• Stichprobengrößenberechnungen: Die Arbeit zeigt auf, dass die Implementierung von Singleton-Regeln (wie ES oder Standard-Hypothesentest-Regeln), um eine spezifische mittlere quadratische Reue zu erreichen, signifikant größere Stichproben erfordert als die vorgeschlagenen Minimax-fraktionierten Regeln. Beispielsweise benötigt die ES-Regel, um die gleiche Worst-Case-mittlere quadratische Reue zu garantieren, fast 40 % mehr Beobachtungen, und die Hypothesentest-Regel benötigt etwa 11-mal mehr Beobachtungen als die vorgeschlagene Minimax-Regel.

Bedeutung und Ansprüche
Die Arbeit behauptet, dass die Verschiebung des Entscheidungskriteriums von linearer zu nichtlinearer Reue das Wesen optimaler Behandlungsregeln grundlegend verändert. Durch die Bestrafung der Varianz der Wohlfahrt liefert der Ansatz fraktionierte Regeln, die robuster gegenüber Stichprobenunsicherheit sind und besser mit Entscheidungsträgern korrespondieren, die eine Aversion gegen große Wohlfahrtsverluste besitzen.

• Theoretische Rechtfertigung: Die Ergebnisse bieten eine neue Rechtfertigung für fraktionierte Regeln in Standard-Settings (punktidentifizierte Modelle, lineare Wohlfahrt), ohne auf Ambiguität oder strategische Überlegungen angewiesen zu sein.
• Praktische Handhabbarkeit: Die abgeleiteten Regeln sind rechentechnisch einfach, erfordern nur Standard-Schätzer (wie OLS) und eine logistische Transformation, was sie für Praktiker zugänglich macht.
• Mikroökonomische Fundierung: Der Ansatz ist in der axiomatischen Entscheidungstheorie verwurzelt, insbesondere durch die Verknüpfung mit dem Konzept der „Reueaversion“ (regret aversion), wie von Hayashi (2008) formalisiert, und bietet somit eine mikroökonomische Grundlage für die Berücksichtigung der Verteilung der Reue statt nur deren Mittelwert.

Die Autoren betonen, dass ihr Ansatz bestehende Rahmenwerke nicht ersetzt, sondern sie erweitert, um eine Risikoaversion hinsichtlich der Wohlfahrtsvolatilität zu berücksichtigen, und damit ein nuancierteres Werkzeug für die evidenzbasierte Politikgestaltung bietet.