Sensitivity Analysis of Individual Treatment Effects: A Robust Conformal Inference Approach
个体治疗效应的敏感性分析：稳健共形推断方法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：摘要以未观测混杂下反事实和个体治疗效应的敏感性分析为核心，直接属于因果推断，而非一般预测应用。
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
个体治疗效应的敏感性分析：稳健共形推断方法
- 研究问题
- 训练数据存在混杂时，如何为反事实和个体治疗效应构造可靠预测集，并量化推翻个体效应证据所需的混杂强度？
- 方法与思路
- 作者结合共形推断与边际敏感性模型，刻画观测和反事实分布的偏移，构造随协变量变化的预测集及 Γ 敏感性值。
- 材料陈述的贡献
- 摘要称，倾向得分已知时可实现边际覆盖，估计时获得近似覆盖；另给出条件于训练数据的程序及特定问题的尖锐性结果。
- 阅读关注点
- 应区分边际覆盖、条件于训练数据的覆盖和条件于协变量的覆盖，并核对倾向得分误差、Γ 值解释及尖锐性适用类别。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未获核实；摘要未给出近似误差或全部条件，覆盖保证不能直接推广到任意设定。
原文摘要
We propose a model-free framework for sensitivity analysis of individual treatment effects (ITEs), building upon ideas from conformal inference. For any unit, our procedure reports the $Γ$-value, a number which quantifies the minimum strength of confounding needed to explain away the evidence for ITE. Our approach rests on the reliable predictive inference of counterfactuals and ITEs in situations where the training data is confounded. Under the marginal sensitivity model of Tan (2006), we characterize the shift between the distribution of the observations and that of the counterfactuals. We first develop a general method for predictive inference of test samples from a shifted distribution; we then leverage this to construct covariate-dependent prediction sets for counterfactuals. No matter the value of the shift, these prediction sets (resp. approximately) achieve marginal coverage if the propensity score is known exactly (resp. estimated). We describe a distinct procedure also attaining coverage, however, conditional on the training data. In the latter case, we prove a sharpness result showing that for certain classes of prediction problems, the prediction intervals cannot possibly be tightened. We verify the validity and performance of the new methods via simulation studies and apply them to analyze real datasets.