在控制错误发现的前提下交互式识别具有正向处理效应的个体

在一项预期存在异质性处理效应的随机实验参与者中，是否有可能识别出哪些受试者具有正向处理效应？尽管子群分析已受到关注，但关于个体参与者的断言要困难得多。我们将该问题构建为多重假设检验问题：每个个体有一个原假设（例如陈述潜在结果相等），我们的目标是识别那些原假设为假者（例如处理潜在结果随机占优于对照潜在结果）。我们开发了一种新颖算法来识别这样的子集，并对错误发现率（FDR）进行非渐近控制。我们的算法允许交互——人类数据科学家（或计算机程序）可以以数据依赖的方式自适应地引导算法以获得功效。我们展示了如何将方法扩展到观测性设定并实现一种双重稳健的FDR控制。我们还提出了若干扩展：(a) 将原假设放宽为非正效应，(b) 从非配对样本转向配对样本，以及 (c) 子群识别。我们通过数值实验和理论分析证明，所提方法在有限样本中具有有效的FDR控制以及合理较高的识别功效。