Partial Identification of Personalized Treatment Response with Trial-reported Analyses of Binary Subgroups
仅凭试验报告的二元亚组分析，部分识别个体化治疗反应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：摘要研究潜在治疗结果的条件均值及其部分识别，直接属于因果推断中的识别问题。
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…
仅凭试验报告的二元亚组分析，部分识别个体化治疗反应
- 研究问题
- 当试验报告仅提供各单个二元协变量的亚组均值与比例时，能在多大程度上识别完整协变量组合下的治疗结果均值？
- 方法与思路
- 作者将已报告的单维亚组统计作为可用信息，研究多维条件治疗均值与协变量联合分布的部分识别，并考察附加限制。
- 材料陈述的贡献
- 摘要称报告统计只能部分识别目标量，示例计算可能得到宽界限；具有识别力的可信假设，如有界变动限制，可收紧推断。
- 阅读关注点
- 应核对报告统计转化为识别约束的方式、界限是否锐利，以及有界变动假设的实质含义和样本估计误差如何进入推断。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未说明界限算法和推断细节，也不能据此确定个体治疗选择。
原文摘要
Medical journals have adhered to a reporting practice that seriously limits the usefulness of published trial findings. Medical decision makers commonly observe many patient covariates and seek to use this information to personalize treatment choices. Yet standard summaries of trial findings only partition subjects into broad subgroups, typically into binary categories. Given this reporting practice, we study the problem of inference on long mean treatment outcomes E[y(t)|x], where t is a treatment, y(t) is a treatment outcome, and the covariate vector x has length K, each component being a binary variable. The available data are estimates of {E[y(t)|xk = 0], E[y(t)|xk = 1], P(xk)}, k = 1, . . . , K reported in journal articles. We show that reported trial findings partially identify {E[y(t)|x], P(x)}. Illustrative computations demonstrate that the summaries of trial findings in journal articles may imply only wide bounds on long mean outcomes. One can realistically tighten inferences if one can combine reported trial findings with credible assumptions having identifying power, such as bounded-variation assumptions.