假设一种治疗平均有效，我们仍会追问：多数人究竟获益多少，有没有少数人反而受损？难点是，同一个人只能接受治疗或不接受治疗，另一种结局永远是看不见的“反事实”。因此，个体处理效应——两种结局之差——无法逐人算出；随机试验通常只能给出它的分位数范围，而非唯一答案。
Du 和 Li 提出一种设计型推断方法：把受试者的两种潜在结局视为固定，只依靠随机分组带来的不确定性。他们用经过排名转换的 Kolmogorov–Smirnov（KS）统计量——衡量两组分布最大差距的工具——构造覆盖整条个体效果分位数曲线的置信带；遇到相同数值时随机打破并列。论文证明，在一定正则条件和样本增大时，这些置信边界不会差于仅凭两种潜在结局各自分布所能得到的最紧边界。
最值得注意的是，作者还给出普通 KS 检验边界的闭式表达，并证明它等价于“先求个体效应分位数的最紧可识别范围，再加入样本分布的不确定性”。这解释了 KS 统计量为何能把随机化推断与部分识别接起来。普通 KS 在存在并列值时会更保守；论文的尖锐性结论也依赖渐近条件，并不意味着有限样本里能还原每个人的真实效果。