Causal Responder Detection
因果响应者检测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响应的因果检测及观察性处理分配的倾向得分调整。
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…
因果响应者检测
- 研究问题
- 如何从接受处理的个体中识别对处理显著响应者，并在有限样本中控制误发现率，同时处理观察性研究中非随机分配带来的偏差？
- 方法与思路
- 作者提出 CARD，将共形预测与机器学习结合用于响应者检测，并加入倾向得分调整，以减轻非随机处理分配对观察性研究分析的影响。
- 材料陈述的贡献
- 摘要称，CARD 能在有限样本中控制误发现率，并在多种模拟情形下以较高功效检测响应者；摘要未提供功效数值或具体场景设置。
- 阅读关注点
- 应核对响应者的因果定义、无法同时观察个体潜在结果时的检验构造，以及共形有效性、倾向得分调整和误发现率保证各自需要的条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核验。摘要未说明有限样本保证的假设与适用范围，不能认为倾向得分调整自动解决未测混杂。
原文摘要
We introduce the causal responders detection (CARD), a novel method for responder analysis that identifies treated subjects who significantly respond to a treatment. Leveraging recent advances in conformal prediction, CARD employs machine learning techniques to accurately identify responders while controlling the false discovery rate in finite sample sizes. Additionally, we incorporate a propensity score adjustment to mitigate bias arising from non-random treatment allocation, enhancing the robustness of our method in observational settings. Simulation studies demonstrate that CARD effectively detects responders with high power in diverse scenarios.