Cross-World Assumption and Refining Prediction Intervals for Individual Treatment Effects
跨世界假设与个体处理效应预测区间的细化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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要研究潜在结果依赖、个体处理效应异质性及其预测分布区间。
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
跨世界假设与个体处理效应预测区间的细化
- 研究问题
- 两个潜在结果的条件相关性不可识别时，如何利用专家知识约束这一跨世界参数，为个体处理效应构造更有信息的预测区间？
- 方法与思路
- 作者在独立同分布超总体模型中研究潜在结果条件相关参数，并在给定该参数时设计区间，分析覆盖与高斯情形下的最优性。
- 材料陈述的贡献
- 摘要称，所构造区间具有覆盖保证，在高斯假设下渐近最优；比较中区间更短，但其表现依赖所采用的跨世界信息。
- 阅读关注点
- 应核对给定相关参数与仅给定界限的处理差别、专家约束的敏感性，以及总体覆盖是否等同于协变量条件覆盖和最优性条件。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审与期刊接收未核实；相关参数不可由观测识别，摘要未说明界限误设时能否保持覆盖。
原文摘要
While average treatment effects (ATE) and conditional average treatment effects (CATE) provide valuable population- and subgroup-level summaries, they fail to capture uncertainty at the individual level. For high-stakes decision-making, individual treatment effect (ITE) estimates must be accompanied by valid prediction intervals that reflect heterogeneity and unit-specific uncertainty. However, the fundamental unidentifiability of ITEs limits the ability to derive precise and reliable individual-level uncertainty estimates. To address this challenge, we investigate the role of a cross-world correlation parameter, $ ρ(x) = cor(Y(1), Y(0) | X = x) $, which describes the dependence between potential outcomes, given covariates, in the Neyman-Rubin super-population model with i.i.d. units. Although $ ρ$ is fundamentally unidentifiable, we argue that in most real-world applications, it is possible to impose reasonable and interpretable bounds informed by domain-expert knowledge. Given $ρ$, we design prediction intervals for ITE, achieving more stable and accurate coverage with substantially shorter widths; often less than 1/3 of those from competing methods. The resulting intervals satisfy coverage guarantees $P\big(Y(1) - Y(0) \in C_{ITE}(X)\big) \geq 1 - α$ and are asymptotically optimal under Gaussian assumptions. We provide strong theoretical and empirical arguments that cross-world assumptions can make individual uncertainty quantification both practically informative and statistically valid.