一种新疗法让患者的平均指标改善，并不代表大多数人都改善了：可能只是少数人获益很大，把平均数拉高。更直接的问题是，能否有把握地说“至少 80% 的患者用新疗法比标准疗法更好”？这篇教程认为，传统的平均处理效应（ATE，也就是两组结果的平均差）无法回答它。
难点在于，同一名患者不可能同时接受两种疗法。统计学只能设想这两种“潜在结果”，却无法逐人核对差值。作者因此引入“获益比例”视角，并给出个体获益概率与个体获益下界两个指标，用来判断达到有临床意义改善的人是否超过预设比例。其 ETZ 分解进一步拆开结果波动的不同来源，以估计同一患者两种潜在结果之间看不见的关联，并更精细地表达不确定性。
作者用一项 II 期随机临床试验的患者级数据演示了流程。它的价值不在于推翻平均疗效，而是补上一句更贴近决策的问题：平均有效之后，究竟有多少人真的会受益。