High confidence inference on the probability an individual benefits from treatment using experimental or observational data with known propensity scores
已知倾向得分下个体治疗获益概率的高置信度推断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：摘要研究潜在治疗获益概率的界限、随机实验和倾向得分条件下的推断，直接对应因果推断。
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…
已知倾向得分下个体治疗获益概率的高置信度推断
- 研究问题
- 随机实验或倾向得分已知的观察研究中，如何量化个体治疗获益概率界限的估计误差，并分析基线特征对应的异质性？
- 方法与思路
- 作者针对不同获益阈值推导边际获益概率界限的估计保证，并扩展到可学习子群，支持置信陈述与统计功效分析。
- 材料陈述的贡献
- 摘要称，方法能以较低计算复杂度开展界限推断，并通过大型随机实验案例说明获益概率界限如何帮助评价条件平均处理效应。
- 阅读关注点
- 应核对界限成立的条件、置信保证的形式、倾向得分已知的要求，以及数据驱动子群划分是否影响推断的有效性。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明具体概率界限和覆盖条件，也未支持倾向得分需估计时的直接推广。
原文摘要
We seek to understand the probability an individual benefits from treatment (PIBT), an inestimable quantity that must be bounded in practice. Given the innate uncertainty in the population-level bounds on PIBT, we seek to better understand the margin of error for their estimation in order to discern whether the estimated bounds on PIBT are tight or wide due to random chance or not. Toward this goal, we present guarantees to the estimation of bounds on marginal PIBT, with any threshold of interest, for a randomized experiment setting or an observational setting where propensity scores are known. We also derive results that permit us to understand heterogeneity in PIBT across learnable sub-groups delineated by pre-treatment features. These results can be used to help with formal statistical power analyses and frequentist confidence statements for settings where we are interested in assumption-lean inference on PIBT through the target bounds with minimal computational complexity compared to a bootstrap approach. Through a real data example from a large randomized experiment, we also demonstrate how our results for PIBT can allow us to understand the practical implication and goodness of fit of an estimate for the conditional average treatment effect (CATE), a function of an individual's baseline covariates.