On the Role of Surrogates in Conformal Inference of Individual Causal Effects
替代指标在个体因果效应共形推断中的作用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：摘要直接研究个体处理效应、因果预测区间及疫苗试验中的替代指标使用，核心目标是因果效应的不确定性量化。
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
替代指标在个体因果效应共形推断中的作用
- 研究问题
- 如何利用替代指标缩窄个体处理效应的预测区间，同时在源数据与目标数据存在协变量分布变化时保持有效覆盖？
- 方法与思路
- 作者提出 SCIENCE，将替代指标、共形推断与半参数效率理论结合，涵盖半监督数据配置，并构造具有速率双重稳健性的区间。
- 材料陈述的贡献
- 摘要称，该方法量化有无替代指标的效率界差异，模拟中区间效率改善且保持组条件覆盖，并用于 Moderna 疫苗试验。
- 阅读关注点
- 应核对个体效应区间的覆盖对象、组条件覆盖的定义、替代指标可用时点，以及协变量漂移和干扰函数速率条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未明确识别与覆盖保证的全部条件，不能将效率改善视为无条件结论。
原文摘要
Learning the Individual Treatment Effect (ITE) is essential for personalized decision-making, yet causal inference has traditionally focused on aggregated treatment effects. While integrating conformal prediction with causal inference can provide valid uncertainty quantification for ITEs, the resulting prediction intervals are often excessively wide, limiting their practical utility. To address this limitation, we introduce \underline{S}urrogate-assisted \underline{C}onformal \underline{I}nference for \underline{E}fficient I\underline{N}dividual \underline{C}ausal \underline{E}ffects (SCIENCE), a framework designed to construct more efficient prediction intervals for ITEs. SCIENCE accommodates the covariate shifts between source data and target data and applies to various data configurations, including semi-supervised and surrogate-assisted semi-supervised learning. Leveraging semi-parametric efficiency theory, SCIENCE produces rate double-robust prediction intervals under mild rate convergence conditions, permitting the use of flexible non-parametric models to estimate nuisance functions. We quantify efficiency gains by comparing semi-parametric efficiency bounds with and without the surrogates. Simulation studies demonstrate that our surrogate-assisted intervals offer substantial efficiency improvements over existing methods while maintaining valid group-conditional coverage. Applied to the phase 3 Moderna COVE COVID-19 vaccine trial, SCIENCE illustrates how multiple surrogate markers can be leveraged to generate more efficient prediction intervals.