分层效益概率：鲁棒稳定推断的部分识别
统计方法学
2025-03-18 v2
摘要
我们在二元暴露和结果为K ≥ 2有序类别或由K-1个固定阈值划分为不相交区间的连续变量的情形下，定义分层效益概率。类似于其他纯反事实查询，该参数在无额外假设下不可g识别。我们证明当K ≥ 3时，强单调性条件仅足以实现点识别，并给出带或不带此类约束的尖锐下界。由于个体优化问题中可能存在的非正则性，推断和不确定性量化是具有挑战性的。这种不确定性可能源于特定亚群体中存在免疫或零处理效应，从而影响下界估计并阻碍保守推断。为此，我们扩展可用的稳定一步纠正（S1S）程序，纳入分层特有的稳定矩阵。通过模拟研究，我们展示了该方法相对于现有方法的优势。我们将方法应用于从诊断为乙炔的挪威儿童学校数据中估计分层效益和伤害概率，针对ADHD药物治疗对学业成就的影响。我们的发现表明，女孩和先前测试表现较差的儿童可能对治疗拥有中等程度的获益和伤害机会，但跨所有层级的明确建议仍不明确。
引用
@article{arxiv.2502.10049,
title = {The Probability of Tiered Benefit: Partial Identification with Robust and Stable Inference},
author = {Johan de Aguas and Sebastian Krumscheid and Johan Pensar and Guido Biele},
journal= {arXiv preprint arXiv:2502.10049},
year = {2025}
}