观文听傑

返回

固定处理容量下比较不同群体的最低覆盖约束与预期收益分配示意图固定处理容量下比较不同群体的最低覆盖约束与预期收益分配示意图

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 NN 人,预测增量效用 bi=vτ^(Xi)−dib_i=v\hat\tau(X_i)-d_i,其中直接成本 did_i 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 ai∈{0,1}a_i\in\{0,1\},总名额最多 KK,不要求为了用满容量而处理负效用对象。用 g(i)∈{1,…,G}g(i)\in\{1,\ldots,G\} 表示事先定义的群体,群体 gg 有 ngn_g 人;最低覆盖率要求 qgq_g。

max⁡ai∈{0,1}∑ibiais.t.∑iai≤K,∑i:g(i)=gai≥⌈qgng⌉∀g.\max_{a_i\in\{0,1\}}\sum_i b_i a_i \quad\text{s.t.}\quad \sum_i a_i\le K,\qquad \sum_{i:g(i)=g}a_i\ge \lceil q_g n_g\rceil\quad\forall g.

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 qgq_g。

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 bib_i组内排名
A1A71
A2A22
A3A-13
B1B61
B2B42
B3B13

最低名额为 kA=⌈3×1/3⌉=1k_A=\lceil3\times1/3\rceil=1、kB=⌈3×2/3⌉=2k_B=\lceil3\times2/3\rceil=2。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 7+6+4=177+6+4=17,覆盖率分别为 1/31/3 和 2/32/3。

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 KK,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。

手算无约束最优选 A1、B1、A2,效用 7+6+5=187+6+5=18。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 O(Nlog⁡N)O(N\log N) 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 qgq_g、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ng−1∑i:g(i)=gain_g^{-1}\sum_{i:g(i)=g}a_i这是最低门槛还是决策目标?
可行性∑iai≤K\sum_i a_i\le K 与各组下限容量或分组变动会否破坏约束?
福利变化∑ib^i(aifair−aibase)\sum_i\hat b_i(a_i^{fair}-a_i^{base})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#

  1. 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?
  2. 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?
  3. 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#

  1. 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。
  2. 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。
  3. Nabi, Malinsky & Shpitser, Learning Optimal Fair Policies ↗:研究因果策略的公平目标及其识别问题。
  4. 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。

名额有限时,怎样把群体覆盖约束写进处理策略?
https://zwjcode.cn/blog/fair-treatment-policy-coverage
作者 傑
发布于 2026年10月22日
版权协议 CC BY-NC-SA 4.0
评论加载似乎遇到了问题,请尝试刷新页面。