名额有限时,怎样把群体覆盖约束写进处理策略?
用最低覆盖率约束刻画一种明确的群体公平目标,在固定容量下推导组内阈值与全局补位,量化福利代价并用纯 Python 实现。
上一篇把每个人的预期增量价值放进固定预算,回答“名额该给谁”。但只按总价值最大化,某些群体可能因历史服务不足、测量偏差或模型支持不足而长期很少获得机会。对同一组预测收益,组织有时还要显式保证最低覆盖。
本篇聚焦一个可审计的设计:**当每人占用一个相同名额、总名额固定时,如何要求每个预先定义的群体至少获得一定覆盖,并算清这项约束改变了什么?**这里的覆盖公平只是多种公平目标之一,不能冒充为全面公平定义。
01 把“公平”写成可检查的约束#
设 人,预测增量效用 ,其中直接成本 已按明确单位折算为效用;每人消耗相同的一个名额。每人分配 ,总名额最多 ,不要求为了用满容量而处理负效用对象。用 表示事先定义的群体,群体 有 人;最低覆盖率要求 。
这把“每个群体都至少拿到多少名额”变成明确的容量下限。它并不要求各群体处理率完全相等,也不保证收益、健康结果、错误率或程序性公平相等。分组依据和最低比例必须由领域责任人及受影响群体参与确定,并符合法律、伦理和具体项目治理规则;模型不能替他们决定 。
flowchart TD
D[处理前数据与分组定义] --> E[独立训练集估计增量效用 b_i]
E --> F[冻结群体、目标名额 K 与最低覆盖 q_g]
F --> M[每组先选足额的最高效用对象]
M --> R[剩余名额按全体边际效用补位]
R --> V[核验覆盖、总名额、福利代价]
V --> O[独立评估策略价值与不确定性]mermaid输入的 benefit[N]、group[N] 和可选唯一 ID 都必须行对齐。处理资格、群体标签和成本需在分配前可得;不能用处理后的信息定义群体。若资源是门店共享或用户相互影响,前一篇的简单逐人预算模型便不足,要把约束和推断改为相应的随机化单位或网络块。
02 手算:先满足覆盖,再用剩余名额最大化效用#
有 6 人、两个群体 A/B,最多处理 3 人;要求 A 至少处理 1/3,即至少 1 人,B 至少处理 2/3,即至少 2 人。表中增量效用是教学数值,越高表示预期净价值越大。
| 人 | 群体 | 增量效用 | 组内排名 |
|---|---|---|---|
| A1 | A | 7 | 1 |
| A2 | A | 2 | 2 |
| A3 | A | -1 | 3 |
| B1 | B | 6 | 1 |
| B2 | B | 4 | 2 |
| B3 | B | 1 | 3 |
最低名额为 、。先各组选组内最高的 A1、B1、B2,占 3 个名额,覆盖约束已满足;不再有补位名额。因此总效用为 ,覆盖率分别为 和 。
若总名额为 4,第四个名额给未选者中效用最高的 A2,效用增加 2。这个“先组内保底、再全局补位”的步骤在此处成立,因为每人耗费同样一个名额、只有最低数量约束、没有额外资格与互斥限制。若名额不足所有组最低要求之和,问题不可行,应先显式报告冲突,不能悄悄放宽某组约束。
无约束的前三名是 A1、B1、A2,效用 15,但 B 只覆盖 1/3,低于其最低要求 2/3。受约束策略的福利为 17,高于这个特定例子中的无约束前三名,是因为在名额 3 时它选了 B2(4) 而不是 A2(2),但仍牺牲了“按未受约束效用排序时理应选择 A2”。严格比较福利应以相同人数、相同效用定义下的两个可行策略重算:无约束最优是 7+6+4=17,本例恰与约束最优相同,因为前三个最高效用中已含 B1、B2。为展示代价,把 A2 效用改为 5,则无约束最优 7+6+5=18,而覆盖约束仍强制选 B2,得到 17,福利差为 1。下方代码采用改后的数字计算这一点。
03 从约束到算法:组内保底与全局补位#
当所有人单位成本相同、最低覆盖只是各组人数下限时,贪心结构可以证明:每组保底名额必须从该组最高效用者中取;固定这些保底选择后,余下名额从所有未选者中按效用由高到低取。若某组人数不足或最低名额之和超过 ,当前约束不可行。
伪代码:
先确定群体定义、总名额 K 与每组最低名额 k_g=ceil(q_g * n_g)
检查所有 k_g <= n_g 且 sum(k_g) <= K
每组分别按增量效用降序,选前 k_g 人作为保底
剩余名额只从效用为正的未选者中按降序补齐
保存规则、阈值、并列处理与版本;在独立数据评估福利与覆盖text这个结构不能直接推广到异质资源成本、群体之间的交叉约束、上限、多个处理动作或彼此依赖的分配。那些问题通常成为整数规划、网络流或更一般的约束优化;即使求解器给出最优解,也应保留模型版本和约束可行性报告。
04 可运行的标准库分配器#
下面函数实现等名额的最低覆盖约束。输入为数值效用列表 benefit[N]、组标签 group[N]、总名额 K 和群体下限比例 minimum_rate 字典;输出是所选索引、总效用和分组处理人数。并列分数按原始输入索引打破,生产系统应改用稳定、可审计且预先声明的 ID 规则。
from math import ceil
def allocate_with_min_coverage(benefit, group, capacity, minimum_rate):
n = len(benefit)
if len(group) != n or not 0 <= capacity <= n:
raise ValueError("输入长度或容量无效")
if any(rate < 0 or rate > 1 for rate in minimum_rate.values()):
raise ValueError("覆盖率必须位于 [0, 1]")
members = {g: [] for g in minimum_rate}
for i, g in enumerate(group):
if g in members:
members[g].append(i)
required = {g: ceil(minimum_rate[g] * len(ids))
for g, ids in members.items()}
if any(required[g] > len(members[g]) for g in members):
raise ValueError("群体最低人数超过该群体可用人数")
if sum(required.values()) > capacity:
raise ValueError("总名额不足以满足所有最低覆盖约束")
chosen = set()
for g, ids in members.items():
ranked = sorted(ids, key=lambda i: (-benefit[i], i))
chosen.update(ranked[:required[g]])
remaining = capacity - len(chosen)
rest = sorted((i for i in range(n) if i not in chosen and benefit[i] > 0),
key=lambda i: (-benefit[i], i))
chosen.update(rest[:remaining])
result = sorted(chosen)
counts = {g: sum(group[i] == g for i in result) for g in members}
return result, sum(benefit[i] for i in result), counts
# A2 的效用改为 5,令无约束前三名为 A1、B1、A2。
selected, welfare, counts = allocate_with_min_coverage(
benefit=[7, 5, -1, 6, 4, 1],
group=["A", "A", "A", "B", "B", "B"],
capacity=3,
minimum_rate={"A": 1 / 3, "B": 2 / 3},
)
print(selected, welfare, counts) # [0, 3, 4] 17 {'A': 1, 'B': 2}python手算无约束最优选 A1、B1、A2,效用 。覆盖约束把 A2 换成 B2,效用 17,所以此例的福利代价是 1。代码的 排序复杂度不含效应模型训练;它只分配已经估好的效用分数,不能识别因果效应。
05 评价公平约束,不要只报告一次覆盖率#
组别公平约束将选择引向特定群体,但它不修复 CATE 偏差或未测混杂。应并列报告:各组人数与处理比例、效用总和和差值、相对无约束策略的福利变化、预算/容量满足情况,以及在独立样本上重估的价值和区间。分配覆盖率是输入规则的机械属性;因处理而改变的结果是因果问题,需随机或可信离线评估。
若策略训练时也用同一批效应估计来选组内排名,福利损失可能被低估。用独立训练/评估切分,按原随机化单位估计不确定性;若标签延迟,应等到预定观察窗口成熟后再计算策略价值。切换 、群体定义或目标结果,都是不同政策方案,不能在同一评估集上反复试到好看为止。
| 诊断 | 计算 | 需要解释什么 |
|---|---|---|
| 覆盖 | 这是最低门槛还是决策目标? | |
| 可行性 | 与各组下限 | 容量或分组变动会否破坏约束? |
| 福利变化 | 是否在同一目标人群、成本和模型上比较? | |
| 不确定性 | 独立评估的成对策略价值差 | 分配单位是否与标准误单位一致? |
失效场景包括群体标签缺失或定义变化、少数群体样本过少、组内效应排序极不稳定、未考虑交叉群体、效用只反映单一目标,以及名义公平规则在真实流程中被人工例外覆盖。若使用受保护属性,需先由相应领域的法律与伦理审查明确依据;纯技术上的可行并不等于适合部署。
06 与相近公平目标的区别#
| 目标 | 控制什么 | 不自动保证什么 |
|---|---|---|
| 最低覆盖率 | 每组至少多少比例获得服务 | 各组效果或受益程度相同 |
| 处理率相等 | 各组分配比例相同 | 结果公平、个体需要或资源效用最优 |
| 效用差异约束 | 估计的群体福利差不超过界限 | 估计效用无偏或边界选择有伦理正当性 |
| 个体公平 | 相似个体得到相似决策 | “相似”的度量本身无争议 |
07 思考练习#
- 若两个群体各 10 人,覆盖下限分别为 20% 和 40%,总名额只有 5,约束是否可行?上取整在这里代表什么?
- 为什么组内先选最高效用者、再全局补位,在等名额和最低覆盖约束下可以最优?哪类新约束会破坏这个证明?
- 处理率达到预设比例,是否就能说两个群体受益相同?请指出至少一个还需独立估计的量。
相关工作#
- Athey & Wager, Policy Learning with Observational Data ↗:把预算、公平等应用约束纳入政策学习框架。
- Kim & Zubizarreta, Fair and Robust Estimation of Heterogeneous Treatment Effects for Policy Learning ↗:讨论公平约束下异质处理效应估计与福利权衡。
- Nabi, Malinsky & Shpitser, Learning Optimal Fair Policies ↗:研究因果策略的公平目标及其识别问题。
- Goethals et al., Resource-constrained Fairness ↗:将有限资源约束与公平目标放在同一决策问题中。
08 下一篇预告#
覆盖下限只是静态分配约束;现实项目还会面对效用估计误差、群体比例波动和连续到达的人群。下一篇将继续讨论如何让不确定性进入受约束策略,并区分预测公平、实际受益和长期反馈。