利用已知倾向得分的实验或观测数据对个体治疗获益概率的高置信推断

我们试图理解个体从治疗中获益的概率（PIBT），这是一个在实践中只能给出界而不可估计的量。鉴于 PIBT 总体层面界的内在不确定性，我们试图更好地理解其估计的误差范围，以辨别 PIBT 的估计界之所以紧或宽是否源于随机偶然。为此，我们针对随机实验环境或倾向得分已知的观测环境，给出了对任意感兴趣阈值的边际 PIBT 界估计的保证。我们还推导了若干结果，使我们能理解 PIBT 在由治疗前特征划分的可学习子组间的异质性。这些结果可用于辅助正式的统计功效分析与频率派置信陈述，在我们希望通过目标界对 PIBT 进行假定精简（assumption-lean）推断、且相比自助法具有最小计算复杂度的场景中尤为有用。通过一个来自大型随机实验的真实数据示例，我们还展示了关于 PIBT 的结果如何让我们理解条件平均处理效应（CATE，个体基线协变量的函数）估计的实际含义与拟合优度。