Randomized Controlled Trials without Data Retention
不保留个体数据的随机对照试验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：摘要明确针对随机对照试验中的处理效应估计与推断，因此归入因果推断；递归和联邦计算本身不对应其他给定领域细分。
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
不保留个体数据的随机对照试验
- 研究问题
- 在严格的数据保留与匿名化政策下，如何持续估计随机试验的处理效应，并在删除个体记录后仍进行可靠推断？
- 方法与思路
- 作者通过递归算法更新处理效应估计，使个体记录收集后可较快删除或匿名化，并结合 bootstrap 与联邦策略处理非独立同分布数据。
- 材料陈述的贡献
- 摘要提出适应数据最小化要求的随机试验估计与推断算法，并特别讨论非独立同分布数据下结合递归计算的稳健推断。
- 阅读关注点
- 应核对必须保留的汇总信息、递归估计与完整数据估计的关系，以及 bootstrap 和联邦策略分别允许哪些相关结构。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未说明推断条件与精度损失，删除记录也不能据此认定具有形式化隐私保证。
原文摘要
Amidst rising appreciation for privacy and data usage rights, researchers have increasingly acknowledged the principle of data minimization, which holds that the accessibility, collection, and retention of subjects' data should be kept to the bare amount needed to answer focused research questions. Applying this principle to randomized controlled trials (RCTs), this paper presents algorithms for making accurate inferences from RCTs under stringent data retention and anonymization policies. In particular, we show how to use recursive algorithms to construct running estimates of treatment effects in RCTs, which allow individualized records to be deleted or anonymized shortly after collection. Devoting special attention to non-i.i.d. data, we further show how to draw robust inferences from RCTs by combining recursive algorithms with bootstrap and federated strategies.