Interactive identification of individuals with positive treatment effect while controlling false discoveries
在控制错误发现率的同时交互式识别具有正向处理效应的个体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：摘要直接研究随机实验和观察性数据中的异质性处理效应及个体发现。
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…
在控制错误发现率的同时交互式识别具有正向处理效应的个体
- 研究问题
- 随机实验存在处理效应异质性时，能否识别具有正向效应的参与者，并控制这些个体判断中的错误发现比例？
- 方法与思路
- 作者将个体判断表述为多重假设检验，提出允许数据驱动交互的算法，并扩展至观察性数据、配对样本和子群识别。
- 材料陈述的贡献
- 摘要称算法可非渐近地控制错误发现率，观察性扩展具有某种双重稳健性，理论与数值实验支持有限样本控制及识别能力。
- 阅读关注点
- 应核对个体原假设与随机优势的含义、交互过程中允许使用的信息，以及有限样本控制和双重稳健性各自需要的条件。
- 阅读边界
- 仅据 arXiv 预印本摘要，不能确认同行评审或期刊接收；个体效应的定义与保证条件未完整说明，不能推断已恢复个体反事实。
原文摘要
Out of the participants in a randomized experiment with anticipated heterogeneous treatment effects, is it possible to identify which subjects have a positive treatment effect? While subgroup analysis has received attention, claims about individual participants are much more challenging. We frame the problem in terms of multiple hypothesis testing: each individual has a null hypothesis (stating that the potential outcomes are equal, for example) and we aim to identify those for whom the null is false (the treatment potential outcome stochastically dominates the control one, for example). We develop a novel algorithm that identifies such a subset, with nonasymptotic control of the false discovery rate (FDR). Our algorithm allows for interaction -- a human data scientist (or a computer program) may adaptively guide the algorithm in a data-dependent manner to gain power. We show how to extend the methods to observational settings and achieve a type of doubly-robust FDR control. We also propose several extensions: (a) relaxing the null to nonpositive effects, (b) moving from unpaired to paired samples, and (c) subgroup identification. We demonstrate via numerical experiments and theoretical analysis that the proposed method has valid FDR control in finite samples and reasonably high identification power.