机器预测和人类决策的回报和收益变化

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《Machine Predictions and Human Decisions with Variation in Payoffs and
  Skill》
---
作者：
Michael Allan Ribers and Hannes Ullrich
---
最新提交年份：
2020
---
分类信息：

一级分类：Economics        经济学
二级分类：General Economics        一般经济学
分类描述：General methodological, applied, and empirical contributions to economics.
对经济学的一般方法、应用和经验贡献。
--
一级分类：Quantitative Finance        数量金融学
二级分类：Economics        经济学
分类描述：q-fin.EC is an alias for econ.GN. Economics, including micro and macro economics, international economics, theory of the firm, labor economics, and other economic topics outside finance
q-fin.ec是econ.gn的别名。经济学，包括微观和宏观经济学、国际经济学、企业理论、劳动经济学和其他金融以外的经济专题
--

---
英文摘要：
  Human decision-making differs due to variation in both incentives and available information. This constitutes a substantial challenge for the evaluation of whether and how machine learning predictions can improve decision outcomes. We propose a framework that incorporates machine learning on large-scale data into a choice model featuring heterogeneity in decision maker payoff functions and predictive skill. We apply this framework to the major health policy problem of improving the efficiency in antibiotic prescribing in primary care, one of the leading causes of antibiotic resistance. Our analysis reveals large variation in physicians\' skill to diagnose bacterial infections and in how physicians trade off the externality inherent in antibiotic use against its curative benefit. Counterfactual policy simulations show that the combination of machine learning predictions with physician diagnostic skill results in a 25.4 percent reduction in prescribing and achieves the largest welfare gains compared to alternative policies for both estimated physician as well as conservative social planner preference weights on the antibiotic resistance externality.
---
PDF下载：
--> Machine_Predictions_and_Human_Decisions_with_Variation_in_Payoffs_and_Skill.pdf (3.42 MB)

2022-4-24 14:54:41 上传

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏1 回帖

关键词：Quantitative Conservative Contribution Predictions externality

机器预测和人工决策在支付能力和技能上存在差异*Michael Allan Ribers+Hannes Ullrich2020年11月摘要由于激励和可用信息的变化，人类决策的差异。这对评估机器学习预测是否以及如何改善决策结果构成了重大挑战。我们提出了一个框架，将大规模数据上的机器学习整合到一个选择模型中，该模型具有决策者支付函数和预测技能的异质性。我们将这个框架应用于主要的卫生政策问题，即提高初级保健中抗生素处方的效率，这是抗生素耐药性的主要原因之一。我们的分析揭示了医生诊断细菌感染的技能以及医生如何权衡抗生素使用的内在外部性和其治疗效益的巨大差异。

反事实的政策模拟表明，机器学习预测与医生诊断技能相结合，导致处方减少25.4%，与针对两位受激励医生的替代政策以及保守的社会规划者对抗生素耐药性外部性的偏好权重相比，实现了最大的福利收益。*我们从杰森·阿巴勒克、大卫·陈、托马索·杜索、丹尼尔·埃尔索夫、莫根斯福格劳、马修·根茨科、乌尔里奇·凯泽、乔纳森·科尔斯塔德、查克·曼斯基、珍宁·米克洛斯-塔尔、叶伊姆·奥洪、伯特尔·施杰宁、斯蒂芬·塞勒、詹·斯皮斯、克里斯托夫·沃尔夫以及图卢兹第13届数字经济会议与会者的非常有用的反馈中获益，第六届国际计算社会科学会议在麻省理工学院，计量经济学学会世界大会2020在Bocconi，电子健康经济学座谈会，以及研讨会在柏林迪沃，哥本哈根大学，和大学巴黎SUD。我们非常感谢拉尔斯比耶伦和格洛丽亚·克里斯蒂娜·科尔多瓦·库雷亚在丹麦初级保健中提供诊断和抗生素处方方面的专业知识，以及珍妮·达尔·克努森、西塞尔·基斯特和罗尔夫·马格纳斯·阿皮使我们能够使用微生物实验室数据。感谢欧洲研究理事会（ERC）在欧盟地平线2020研究与创新计划（第802450号赠款协议）下提供的财政支持。+DIW柏林；哥本哈根大学经济系；和BCCP。迈克尔。ribers@econ.ku.dkDIW柏林；哥本哈根大学经济系；BCCP；还有塞西福。

hullrich@diw.de.1简介机器学习方法和高质量、大规模数据的日益可用性为设计以预测为核心的广泛问题的福利改善政策提供了新的机会（Kleinberg等人2015年；Agrawal、Gans和Goldfarb 2018年；Athey 2018年）。突出的例子包括刑事司法、雇佣、检测社会服务欺诈、医疗保健和劳动力市场援助计划中的保释决定。在许多情况下，机器学习可以提供标准化的、基于数据的风险评估。然而，评估机器学习预测相对于现状的潜力是复杂的，因为人类的决策是个人激励和预测技术的结果。重要的是，观察到的异质性决定可能是两者差异的结果（Chan、Gentzkow和Yu 2019）。此外，到目前为止所研究的插入，很难观察到感兴趣的结果，并且经常选择性地采样，这是人类决策的结果。这些经验上的挑战使我们很难了解使用机器学习预测的政策是否可以通过哪些机制改善结果。在本文中，我们认为一个主要的例子，政策挑战，预测是关键，由于不断增加的抗生素耐药性出现的健康危机。抗生素的使用被认为是抗生素耐药性的主要驱动因素，通过准确诊断细菌和细菌，可以减少无效的处方。

其他感染原因（世卫组织2014年）。具体而言，我们研究了初级保健中尿路感染（UTI）的抗生素治疗决策，将个体患者的丰富管理数据与丹麦金标准微生物实验室检测结果的诊断结果相结合。这些检测结果由医生观察，但会延迟几天，通常相当于抗生素治疗的完整疗程。由于本例的急性性质，在健康环境中，如Mullainathan和Obermeyer（2019年）中考虑的心脏病发作诊断，当随后没有观察到患者返回医院时，患者被定义为已康复。在Kleinberg等人（2018年）的研究中，机器学习算法只能由法官决定准予保释的被告根据观察到的累犯进行训练，而这正是机器学习预测与之相比较的决定。抗生素通过杀死或抑制体内细菌的生长来治疗细菌感染。由于抗生素耐药细菌可能会使肺炎或伤口感染等简单感染成为致命风险，因此其有效性正在下降。仅在美国，抗生素耐药性感染每年就导致约2.3万人死亡，200亿美元的直接医疗费用，350亿美元的生产力损失（CDC 2013）。UTI是最常见的细菌感染之一。Foxman（2002）报道，几乎一半的女性一生中都会感染一次UTI。在美国，每年与UTI相关的医疗费用（包括工作场所缺勤）估计为35亿美元（Flores Mireles等人，2015年），其中10%的女性因UTI接受抗生素治疗（Bjerrum和Lindaek，2015年）。

初级保健占欧洲处方的90%，占丹麦处方的75%（Llor和Bjerrum，2014年；丹麦卫生部，2017年）。对于UTI，医生必须在检测结果到达之前做出治疗决定。因此，我们独立于人类感兴趣的决定来观察基因组，我们利用这一特征来研究导致抗生素处方决定的机制。我们在这里考虑的例子是重要的，因为延迟诊断结果同时治疗的紧迫性是医疗保健中常见的挑战；例如，在恶性肿瘤的活组织检查或肺结核的检测中。了解即时诊断信息在治疗决策中的作用对于改善此类决策至关重要（Cassidy and Manski 2019）。我们将机器学习预测与控制医生治疗决策的二元选择模型相结合。该模型包含医生在治疗患者时采取的两个主要步骤。首先，必须评估报告症状的根本原因。其次，根据他们的评估，医生决定是否开抗生素，这是细菌感染的标准治疗方法。第一步对细菌感染原因的风险评估取决于医生的诊断技能。我们通过将医生的诊断技能分解为二维，在模型中引入机器学习预测。第一个是分析信息编码的不可观测数据，这些数据适用于机器学习方法。例如，医生可能会花时间观察患者的一些个人特征和病史，这些特征和病史可以提供细菌性尿路感染可能性的信息。第二个维度是临床实践中诊断信息的获取和解释，决策者通常无法获得这些信息。

例如，患者描述症状和一般健康状况。医生还可以执行快速诊断技术，尤其是尿尺和显微镜分析（Davenport等人，2017年）。虽然油尺分析是一个标准程序，但使用显微镜需要额外的设备和专门的培训。通过可观察和不可观察的诊断信息将医生的诊断技能分离，提供了一种方法来评估机器学习预测与医生特定专业知识相结合对治疗决策的影响。除了诊断问题，抗生素处方还涉及一个重要的交易。抗生素是治疗细菌感染的有效方法，但使用抗生素会增加抗生素耐药性，从而产生负外部性。对于每一个治疗决定，医生都必须考虑这种权衡，并权衡患者的疾病成本与抗生素耐药性的社会成本。制定模型可以区分诊断技能或偏好是否影响决策。因此，预测与治疗选择模型的结合为使用机器学习预测以及针对偏好的政策评估提供了一个框架。潜在的政策可能包括提供个性化预测或针对物理学家的报酬，例如通过行为推动或使用税收。为了识别诊断技能和医师支付功能，我们遵循Chan、Gentzkow和Yu（2019）的结果。他们基于一种假设，即将疑似肺炎病例准随机分配给评估胸部X光的放射科医生，因为只有尚未开始治疗的患者才能观察到真正的结果。

在我们的环境中，医生在测试结果已知之前做出抗生素治疗决定，这一事实允许我们使用丰富的可观察数据预测患者类型，并使用这些预测来调节预期的测试结果。这种策略的关键条件是，预期的测试结果可以无偏差地预测。我们提供的统计测试结果不能否定几乎所有医生预测的无偏性。此外，我们提供的证据表明，从医疗点快速测试中获得的不可观察信息不太可能促使患者选择进行实验室测试。我们表明，通过观察独立于治疗决定的测试结果，以个体预测的测试结果为条件，可以在结构模型中识别医生的技能和偏好参数。为了预测诊断测试结果，我们以Ribers和Ullrich（2020）为基础，他们在来自丹麦的高维管理数据上训练了一种极端增强机器学习算法。结果是一个指标变量，当在提交进行微生物实验室检测的患者尿液样本中分离细菌时，取1的值。预测模型中的协变量包括一组丰富的患者层面信息，如性别、年龄、详细的就业状况和类型、教育程度、收入、公民身份等，过去的抗生素处方、过去的微生物检测结果、门诊病历、住院记录，以及每个人的家庭成员的相同信息。应用于这些数据的机器学习可以很好地预测细菌UTI的样本外实现。我们记录了物理学家决策中的巨大异质性，这些异质性通过真阳性率和假阳性率以及决策的预测信息程度进行评估。

医生处方决策的预测信息与将检测样本送往微生物实验室的倾向以及初级保健诊所中女性医生的比例呈正相关。我们使用患者类型的机器学习预测来估计每个初级保健诊所结构模型的三个参数。前两个参数衡量医生使用的诊断信息的准确性，而第三个参数则控制医生在做出治疗决定时的权衡。患者类型信息的平均估计信号噪声参数大于临床诊断信息的信号噪声，这意味着，平均而言，医生更多地关注来自临床诊断的信息，而不是观察患者类型。我们记录了估计噪声参数的显著异质性。超过三分之一的医生不使用可观察数据中编码的患者类型信息。抗生素耐药性社会成本相对于单个患者疾病成本的平均估计权重为0.56，医生之间的分布标准偏差为0.13。这意味着，平均医师会权衡因一张抗生素处方而增加抗生素耐药性的社会成本，该处方略高于治愈一名患者的健康效益的一半。为了深入了解医生异质性的潜在原因，我们将参数估计值与初级保健临床特征相关联。我们发现，每个医生有更多患者的诊所使用的患者类型信息较少。

临床诊断信息中的噪声参数与医生的平均年龄呈正相关，与实验室检测的强度呈负相关，这表明具有较高技能的医生可能平均更年轻，对高质量诊断技术的依赖程度更高。我们使用结构模型来评估三种反事实政策。第一种方法为医生提供了针对每位患者的机器学习预测。在这里，我们固定了医生的支付功能和临床诊断信息。我们发现，这项政策将总体处方减少了25.4%（4146张处方），并将无细菌感染患者的过度处方减少了44.4%（2831张处方）。治疗细菌感染的数量减少了13.2%（1315张处方）。第二种反事实政策改变了医生的偏好参数，同时固定了患者类型和临床诊断信息。我们增加了支付参数，这样整体处方的减少相当于通过向医生提供预测而实现的减少。这可以通过推动或抗生素税等政策来实现，转移抗生素耐药性外部性的权重。该政策将超额处方减少了33.4%（2133张处方）。然而，在不改善诊断信息的情况下，这项政策会产生负面影响：治疗过的细菌感染数量减少了20.0%（1990年处方），显著高于第一次反事实。