Differentially Private Tests of Fisher's Sharp Null Hypothesis for Binary Outcomes
二元结局下 Fisher 尖锐零假设的差分隐私检验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：摘要明确针对随机实验中的个体零处理效应假设开展隐私保护检验，其核心研究对象属于因果推断。
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
二元结局下 Fisher 尖锐零假设的差分隐私检验
- 研究问题
- 随机实验的二元结局涉及敏感信息时，如何发布检验统计量或概率值，并在限制个体信息泄露的同时检验人人处理效应为零？
- 方法与思路
- 作者对统计量或概率值加入校准噪声，并提出显式建模隐私机制的贝叶斯去噪框架，以及贝叶斯风险最优和频率校准决策规则。
- 材料陈述的贡献
- 摘要称提出多种差分隐私检验，并通过理论、模拟及 ADAPTABLE 临床试验应用，展示隐私保证下有效且可解释的因果推断。
- 阅读关注点
- 应核对随机化设计、数据邻接关系、隐私预算和噪声机制，以及显著性校准的条件、功效损失与贝叶斯决策的损失函数。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实。摘要未给出具体隐私参数与检验条件，无法判断各方法的有限样本适用范围。
原文摘要
Across many disciplines, causal inference often relies on randomized experiments with binary outcomes. In such experiments, often analysts are interested in testing Fisher's sharp null hypothesis, i.e., the treatment has zero effect on the outcome for every study subject. Sometimes the outcomes are sensitive and must be kept confidential, for example, when they comprise physical or mental health measurements. Releasing test statistics or p-values computed with the confidential outcomes can leak information about the individuals in the study. Those responsible for sharing the analysis results may wish to bound this information leakage, which they can do by ensuring the released outputs satisfy differential privacy. In this article, we develop several differentially private tests of Fisher's sharp null for binary outcomes. Specifically, we consider direct perturbation approaches that inject calibrated noise into test statistics or p-values, as well as a Bayesian denoising framework that explicitly models the privacy mechanism. We further develop decision-making procedures under privacy constraints, including a Bayes risk-optimal rule and a frequentist-calibrated significance test. Through theoretical results, simulation studies, and an application to the ADAPTABLE clinical trial, we demonstrate that our methods can achieve valid and interpretable causal inference while ensuring the differential privacy guarantee.