Prediction Intervals for Individual Treatment Effects in a Multiple Decision Point Framework using Conformal Inference
多决策时点下个体处理效应的共形预测区间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：摘要的核心目标是多决策时点下的个体处理效应及其预测区间，且以序贯随机试验验证，属于因果推断。
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
多决策时点下个体处理效应的共形预测区间
- 研究问题
- 在存在多个决策时点的纵向研究中，如何量化随时间变化的个体处理效应的不确定性，并处理数据偏离可交换性的情形？
- 方法与思路
- 作者提出基于共形推断的预测区间方法，使覆盖率下界依赖非可交换程度，并以微随机试验模拟及真实健康研究支持分析。
- 材料陈述的贡献
- 摘要称，该方法采用比既有文献更弱的假设，为时变个体处理效应提供覆盖率下界，并展示了在真实微随机试验中的应用。
- 阅读关注点
- 应核对个体效应的目标定义、反事实信息如何处理、非可交换程度如何度量，以及覆盖保证是逐时点还是跨时点联合保证。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；摘要未列出完整假设、覆盖下界公式或区间长度，无法判断保证的实际强度。
原文摘要
Accurately quantifying uncertainty of individual treatment effects (ITEs) across multiple decision points is crucial for personalized decision-making in fields such as healthcare, finance, education, and online marketplaces. Previous work has focused on predicting non-causal longitudinal estimands or constructing prediction bands for ITEs using cross-sectional data based on exchangeability assumptions. We propose a novel method for constructing prediction intervals using conformal inference techniques for time-varying ITEs with weaker assumptions than prior literature. We guarantee a lower bound for coverage, which is dependent on the degree of non-exchangeability in the data. Although our method is broadly applicable across decision-making contexts, we support our theoretical claims with simulations emulating micro-randomized trials (MRTs) -- a sequential experimental design for mobile health (mHealth) studies. We demonstrate the practical utility of our method by applying it to a real-world MRT - the Intern Health Study (IHS).