有何危害？受处理负影响比例的最紧界

因果推断的根本问题——我们永远无法观测反事实——使得我们无法识别在一项拟议干预中可能受到负影响的人数。在A/B测试中，若无论暴露于标准体验A还是新体验B，都有一半用户点击（或购买、观看、续订等），这假想上可能是因为该改变对任何人无影响，可能是因为该改变正向影响一半用户群体使其从非点击变为点击而同时负向影响另一半，或介于两者之间。尽管不可知，这一影响对于是否实施改变的决定显然具有实质重要性，无论出于公平、长期、系统性或运营考量。因此，我们推导了在仅有事实观测（无论实验性还是观察性）的数据下，受负影响比例（及其他相关估计量）的最可能紧（即锐）界。自然地，我们按可观测协变量对个体分层越多，锐界越紧。由于这些界涉及必须从数据学习的未知函数，我们开发了一种鲁棒推断算法，其几乎无论这些函数如何以及多快被学习都高效，在部分被误学时仍保持一致，并在大多数被误学时仍给出有效的保守界。因此，我们的方法学有力支持可信结论：它避免对这一不可知影响做虚假的点识别，转而聚焦于最佳界，并允许对这些界进行极强鲁棒的推断。我们在模拟研究及一项针对失业者职业咨询的案例研究中展示了我们的方法。