📊 statistics

Learning Treatment Effects during Resource Allocation via Priority-Queue Randomization

本文提出了一种实验设计框架，该框架根据风险评分将申请人随机分配至优先级队列，以同时学习因果处理效应并将有限资源分配给需求最高者，同时刻画由此产生的识别策略并优化统计效率与伦理优先性之间的权衡。

原作者： JungHo Lee, Johnna Sundberg, Pim Welle, Bryan Wilder

发布于 2026-05-26

📖 1 分钟阅读☕ 轻松阅读

原作者： JungHo Lee, Johnna Sundberg, Pim Welle, Bryan Wilder

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一个繁忙的公共住房办公室，成千上万的人申请数量有限的一套公寓。该办公室有一条严格的规定：必须首先帮助处境最绝望的人。为此，他们使用优先队列系统。这就像医院的急诊室或俱乐部的贵宾通道一样。人们根据需求的紧急程度被分到不同的“队伍”（队列）中。最紧急的队伍最先得到服务，其次是次紧急的队伍，依此类推。在每支队伍内部，人们按照到达顺序接受服务（先到先得）。

问题：评估的“黑箱”
该办公室想知道：分配一套公寓是否真的改善了人们的生活？ 要科学地回答这个问题，通常需要进行随机对照试验（RCT）。在一个理想的世界里，你会为每一位申请人抛硬币：正面朝上，他们获得公寓；反面朝上，则没有。然后比较这两组人。

但在这里你无法这样做。抛硬币并将公寓分配给低优先级的申请人，同时无视那些睡在街头的高优先级申请人，这既不道德也违反规定。该办公室必须优先照顾有需要的人。那么，他们如何在遵守自身规则的同时，了解其项目是否有效呢？

解决方案：随机化“队伍”，而非“名额”
本文作者提出了一种巧妙的变通方法。他们不是随机化谁获得公寓，而是随机化你站在哪条队伍里。

想象该办公室有三条队伍：

贵宾队伍（最高优先级）
标准队伍（中等优先级）
经济队伍（最低优先级）

通常情况下，如果你非常贫困，你会自动被分配到贵宾队伍。新系统规定：“如果你非常贫困，我们将90% 的时间把你安排在贵宾队伍，但10% 的时间，我们会随机把你安排在标准队伍。”

这一点点随机性是关键。它创造了一个自然实验。由于分配到队伍是随机的，我们可以比较最终进入贵宾队伍与标准队伍的人，以观察“贵宾待遇”（更快获得公寓）是否真的有所帮助。

两大发现

当“到达”是随机的：
如果人们完全随机地来到办公室（就像顾客走进商店），数学计算就很直接。随机的队伍分配就像标准的抛硬币。我们可以轻松计算出该项目的真实效益。
当“到达”很混乱时（现实世界）：
在现实中，人们并非随机到达。也许在经济不景气时，或者下雨时，会有更多绝望的人出现。这会扰乱简单的数学计算。
作者表明，即使在这种混乱的场景中，随机的队伍分配也像一个魔法杠杆（“工具变量”）。它使研究人员能够隔离排队过程本身的具体影响。他们可以计算出那些仅仅因为被随机移动到不同队伍而改变状态的特定人群所带来的效益。

“平衡”设计
本文还解决了一个设计难题：我们应该使用多少随机性？

如果随机化太多（过于频繁地将贫困者放入低优先级队伍），我们会伤害那些最需要帮助的人。
如果随机化太少，我们就无法了解项目是否有效。

作者创建了一个数学“配方”（优化框架），帮助政策制定者找到完美的中间地带。它计算出队伍分配的确切组合，既能提供最佳科学数据，又能确保最需要帮助的人几乎像旧的非随机系统那样频繁地得到服务。

结果
利用美国某大县真实住房项目中的数据，作者测试了他们的配方。他们发现，其优化设计：

比标准的“试错”方法更快、更准确地了解了项目的有效性。
这样做并未显著伤害那些最需要帮助的人。
即使申请者的到达混乱且不可预测，该方法依然有效。

总结
本文就像一份指南，供一家繁忙的医院参考，该医院希望了解其新的分诊系统是否能挽救生命，同时绝不拒收任何危重病人。通过以受控、随机的方式轻微打乱等待队伍的顺序，医院可以在科学上证明其成功，同时仍然首先治疗最危重的病人。它将一个僵化的伦理约束转化为一种强大的学习工具。

技术摘要：通过优先级队列随机化在资源分配中学习处理效应

问题陈述
公共服务项目（例如住房、儿童保育补贴、器官移植）通常通过分层优先级队列而非一次性分配来管理稀缺资源。申请人随时间陆续到达，资源根据优先级层级（例如风险评分）和到达顺序（层级内的先到先得）进行分配。虽然严格的随机评估是估计因果处理效应的黄金标准，但在这些情境中，直接随机化（例如抽签）通常在行政上或伦理上不可行，因为绕过高优先级申请人违背了该项目服务最需要人群的核心使命。这就在运营优先级规则与对可信因果推断的需求之间造成了张力。

方法论
作者提出了一种实验设计框架，通过随机化队列分配而非直接随机化处理分配来解决这一张力。

设计机制：具有观测协变量 $X$ 的申请人根据策略 $\theta(X)$ 被随机分配到 $K$ 个优先级队列中的一个，该策略规定了分配到每个队列的概率。一旦分配，处理结果由现有的运营规则确定性决定：资源按优先级顺序在各队列间分配，并在各队列内按到达顺序分配。
识别策略：
- 外生到达：如果到达时间 $A$ 在给定协变量的条件下与潜在结果独立（ $A \perp\!\!\!\perp (Y^0, Y^1) | X$ ），则处理分配是条件随机的。通过比较给定 $X$ 条件下的处理组和未处理组，可以识别平均处理效应（ATE）等标准估计量。
- 内生到达：如果到达时间与潜在结果相关（例如，处于更大危机中的人更早申请），则标准比较会受到混淆。在这种机制下，随机队列分配充当工具变量（IV）。作者定义了一个基于个体随机化前预期处理概率与其实现概率之差的工具 $r_n(X, Q)$ 。这识别了由排队过程诱导的潜在“依从者”群体的局部平均处理效应（LATE）。他们进一步分析了一个部分线性 IV 模型，以估计同质处理效应参数。
优化框架：本文构建了一个优化问题来选择队列分配策略 $\theta$ $θ$ 。其目标是在确保高需求个体仍可能被优先处理的效用约束下，最大化统计效率（最小化处理效应估计量的渐近方差）。
- 作者推导出，在特定假设下（固定的队列比例、稳定的预算、独立到达），渐近处理倾向得分是 $\theta$ 的仿射函数。
- 他们证明，尽管排队过程导致处理分配存在依赖性，但标准估计量（例如双重稳健 ATE、IV 估计量）的渐近方差仍与标准的独立同分布（i.i.d.）效率界限相匹配。这使得可以将这些界限用作可处理的优化目标。
- 该问题被表述为对干扰函数（例如结果方差）的鲁棒优化，以处理不确定性，从而产生可通过标准方法求解的凸（或凹）优化问题。

主要贡献

因果识别的表征：本文严格表征了在优先级队列分配下哪些因果效应是可识别的。它确立了外生到达允许进行标准 ATE 识别，而内生到达则需要一种 IV 方法，其中队列分配作为处理的工具变量，从而识别特定的 LATE。
优化的实验设计：作者开发了一种优化队列分配概率的方法，以在统计效率与高需求申请人的优先排序之间进行权衡。他们证明，即使由于排队机制导致处理分配存在依赖性，标准的 i.i.d. 效率界限仍然作为有效的设计目标。
理论保证：本文提供了估计量渐近正态性的证明，并表明排队系统诱导的依赖性不会放大主导阶方差项，从而为在设计优化中使用标准效率界限提供了依据。

结果
利用美国某大县公共住房分配项目（2,317 名个体）的数据，作者将所提出的设计与启发式基线（“切换”启发式和“贪婪 Softmax"启发式）以及随机对照试验（RCT）基线进行了评估。

效率与效用：优化后的设计实现了有利的帕累托前沿，与各种队列配置下的启发式方法相比，提供了更高的统计效率（更低的方差）和更高的效用（更好地优先排序高风险个体）。
鲁棒性：在内生到达条件下，基于 IV 的设计保持无偏，而忽略到达内生性的外生设计则表现出显著偏差，特别是在高优先级队列的处理概率较低时。
队列配置：内生设计的效率被证明对队列间处理概率的方差敏感；队列间处理概率的方差越高，IV 估计量的效率越好。

意义与主张
本文主张，将随机化纳入优先级队列分配方案，为政策制定者提供了一种可行的机制，使其能够在不牺牲对最需要人群的资源定向的前提下，了解项目的有效性。通过将队列分配视为随机化杠杆，该框架既适应了动态环境（在线到达、固定预算）的运营约束，又实现了可信的因果推断。作者断言，他们的方法扩展了统计效力与优先排序效用之间的帕累托前沿，可能促进对关键公共服务更广泛的评估和改进。这项工作将先前关于平衡优先排序与学习的研究（Wilder 和 Welle, 2025）扩展到了动态的、基于优先级的分配情境中，并丰富了关于容量约束下市场设计与实验设计的文献。

技术摘要：通过优先级队列随机化在资源分配中学习处理效应

类似论文