Optimal Statistical Inference for Individualized Treatment Effects in High-Dimensional Models
高维模型中个体化处理效应的最优统计推断AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确研究个体化处理效应、两种处理的比较及平均处理效应扩展，直接对应因果推断中的效应推断问题。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
高维模型中个体化处理效应的最优统计推断
- 研究问题
- 在高维线性模型下，如何针对给定个体的特征比较两种处理，并对个体化处理效应进行误差可控的检验？
- 方法与思路
- 作者构造个体化处理效应的去偏估计量，建立面向任意未来高维观测的均匀渐近正态性，并据此设计检验程序。
- 材料陈述的贡献
- 摘要称，程序具有第一类错误控制与渐近功效结果，并在极小极大和适应性框架下获得最优性，另有扩展及实证展示。
- 阅读关注点
- 应核对处理效应的因果识别条件、高维与均匀性要求、最优性所针对的参数空间，以及电子病历应用中的设定。
- 阅读边界
- 仅据所给 Crossref 摘要；因果识别、稀疏性及最优性条件未说明，不能将模型中的个体化效应直接等同于可观测的个人反事实差值。
原文摘要
Abstract The ability to predict individualized treatment effects (ITEs) based on a given patient's profile is essential for personalized medicine. We propose a hypothesis testing approach to choosing between two potential treatments for a given individual in the framework of high-dimensional linear models. The methodological novelty lies in the construction of a debiased estimator of the ITE and establishment of its asymptotic normality uniformly for an arbitrary future high-dimensional observation, while the existing methods can only handle certain specific forms of observations. We introduce a testing procedure with the type I error controlled and establish its asymptotic power. The proposed method can be extended to making inference for general linear contrasts, including both the average treatment effect and outcome prediction. We introduce the optimality framework for hypothesis testing from both the minimaxity and adaptivity perspectives and establish the optimality of the proposed procedure. An extension to high-dimensional approximate linear models is also considered. The finite sample performance of the procedure is demonstrated in simulation studies and further illustrated through an analysis of electronic health records data from patients with rheumatoid arthritis.