Simultaneous Inference for False Discovery Proportions under Sensitivity Models for Observational Studies
观察研究敏感性模型下错误发现比例的同时推断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。
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：摘要研究观察性处理效应、多结局检验及未测量混杂的敏感性分析。
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
观察研究敏感性模型下错误发现比例的同时推断
- 研究问题
- 在单一干预、多个结局的观察研究中，如何探索可能的处理效应，同时控制错误发现并评估未测量混杂对所选假设集合的影响？
- 方法与思路
- 作者为任意候选假设子集构造同时有效的比例敏感性集合，并在匹配研究的 Rosenbaum 模型下用整数规划与筛选计算。
- 材料陈述的贡献
- 摘要称推断对所有拒绝集合的选择同时有效，允许探索对隐藏偏差较稳健的发现子集，并提供模拟及童年虐待长期影响应用。
- 阅读关注点
- 应核对真零假设比例与真实发现比例的转换、敏感性参数的含义，以及同时有效性、整数规划和筛选步骤的理论保证。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；敏感性结论依赖所选混杂模型，摘要未说明计算规模、具体界限和实证数值。
原文摘要
We provide an approach to exploratory data analysis in observational studies with a single intervention and multiple endpoints. In such settings, the researcher would like to explore evidence for actual treatment effects while accounting for both false discoveries and the potential impact of unmeasured confounding. For any candidate subset of hypotheses about these outcomes, we provide sensitivity sets for the proportion of the hypotheses within the subset which are true. The resulting sensitivity statements are valid simultaneously over all possible choices for the rejected set, allowing the researcher to search for promising subsets of hypotheses that maintain a large estimated fraction of true discoveries even if hidden bias is present. The approach is well suited to sensitivity analysis, as conclusions that some fraction of outcomes are affected by the treatment exhibit larger robustness to unmeasured confounding than findings that any particular outcome is affected. For Rosenbaum's sensitivity model in matched observational studies, we show how a sequence of integer programs, in tandem with screening steps, facilitate the efficient computation of the required sensitivity sets. We illustrate the practical utility of our method through both simulation studies and a data example on the long-term impacts of childhood abuse.