機械学習的手法によるターゲティング政策のデザイン

使用机器学习方法设计目标策略

• 批准号: 22K20155
• 负责人: 坂口 翔政
• 金额: $ 1.83万
• 依托单位: The University of Tokyo
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for Research Activity Start-up
• 财政年份: 2022
• 资助国家: 日本
• 起止时间: 2022-08-31 至 2024-03-31
• 项目状态: 已结题
• 来源: https://kaken.nii.ac.jp/en/grant/KAKENHI-PROJECT-22K20155/
• 关键词: 計量経済学; 機械学習; ターゲティング政策

本年度の研究では、理論と実証の両面から機械学習的手法によるターゲティング政策の学習に取り組み成果をあげた。前者の研究に関しては、doubly robust policy learningの方法を拡張して、最適な動的な公共政策を二重頑健に推定する手法を開発し、その性能を理論的に評価した。この方法は、例えば、逐次的な職業訓練、失業保険の段階的給付の最適なデザインに応用することができる。本研究では、小学校教育における補助教員付クラスと少人数クラスへの各学年における生徒の最適な割り当て方法を、本研究で提案したアルゴリズムを使って推定した。理論的な貢献として、本研究では、提案した手法が2種類の局外母数に対して二重頑健性をもつこと、局外母数がノンパラメトリックに推定された場合でも、最適な動的政策をパラメトリック収束レートで推定できることを示した。この結果は、局外母数を機械学習的手法で推定することへの正当性も与えている。後者の研究に関して、家庭の電力消費量の削減を目標としたリベートプラグラムにおいて、決定木を使ったPolicy learningの手法を応用することで、最適なターゲティング政策を推定した。また、その政策効果を実証データで評価した。本研究では、推定されたターゲティング政策を実施することによって、政府が一様にプログラムを割り当てる場合や各世帯が自身でプログラムの参加・不参加を決める場合に比べて、より高い政策の効果を実現できることを示した。この結果を通して、ターゲティング政策およびターゲティング政策の統計的学習の有効性を実証することができた。本研究では、さらに逆進性の小さなターゲティング政策をデータから学習するアルゴリズムを開発し、そのアルゴリズムで推定されたリベート・ターゲティング政策は逆進性が実際に小さいことを実証した。

This year's research has achieved fruitful results in the study of government policies through rote learning methods from the perspective of theory and practical evidence. The former research is related to the development of methods for double-robust policy learning, the development of methods for estimating the optimal performance of public policies, and the evaluation of theories. This method is based on the following aspects: (1) the most suitable payment for vocational education and unemployment insurance; This study suggests that the number of subsidized teachers in primary and secondary schools should be estimated according to the optimal method for students in each school year. The contribution of the theory is shown in this paper by the method of double robustness of two kinds of external factors, and the optimal dynamic policy is shown by the method of double robustness of two kinds of external factors The result of this is that the method of mechanical learning is to infer the legitimacy of the problem. The latter is related to the goal of reducing household electricity consumption and determining the best Policy learning methods. The results of the policy were evaluated. This study indicates that the implementation of the policy is expected to be achieved in both cases, and in both cases, the government and the world participate in the policy. The results of this study are as follows: This study demonstrates that there is a need for policy development and that there is a need for policy development.

项目成果

Collaborative knowledge exchange promotes innovation

协作知识交流促进创新

• 发表时间: 2022
• 期刊: arXiv
• 作者: Tomoya Mori;Jonathan Newton;Shosei Sakaguchi
• 通讯作者: Shosei Sakaguchi

Choosing Who Chooses: Selection-Driven Targeting in Energy Rebate Programs

选择谁选择：能源回扣计划中选择驱动的目标

• DOI: 10.3386/w30469
• 发表时间: 2022
• 期刊: NBER WORKING PAPER
• 作者: Ida Takanori;Ishihara Takunori;Ito Koichiro;Kido Daido;Kitagawa Toru;Sakaguchi Shosei;Sasaki Shusaku
• 通讯作者: Sasaki Shusaku

Paternalism, Autonomy, or Both? Experimental Evidence from Energy Saving Programs

家长作风、自治，还是两者兼而有之？

• 发表时间: 2022
• 作者: Tomoya Mori;Jonathan Newton;Shosei Sakaguchi;坂口翔政;坂口翔政;坂口翔政
• 通讯作者: 坂口翔政

University College London(英国)

伦敦大学学院（英国）

ジュネーブ大学(スイス)

日内瓦大学（瑞士）