Bayesian Doubly Robust Causal Inference via Posterior Coupling
通过后验耦合实现贝叶斯双重稳健因果推断AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要围绕倾向得分、结局模型和双重稳健处理效应估计展开，直接对应因果推断。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
通过后验耦合实现贝叶斯双重稳健因果推断
- 研究问题
- 如何在贝叶斯双重稳健因果推断中避免结局信息反馈污染倾向得分，同时保留明确的后验分布及模型误设下的稳健性质？
- 方法与思路
- 作者先分别构造倾向得分与结局模型的独立后验，再通过熵倾斜耦合后验以满足双重稳健矩条件，并开展理论、模拟及医疗应用分析。
- 材料陈述的贡献
- 作者宣称获得首个具有显式后验的完全贝叶斯双重稳健估计量，并给出模型正确时的后验性质、一致性及非参数收敛率改进。
- 阅读关注点
- 应核对熵倾斜的存在性与计算方式、两种模型正确性下的具体结论，以及后验区间的校准；模拟中的偏差和效率比较也需核查。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未说明完整识别假设及后验覆盖率，“首个”与模拟优势均为作者陈述。
原文摘要
Bayesian doubly robust (DR) causal inference faces a fundamental dilemma: joint modeling of outcome and propensity score suffers from the feedback problem where outcome information contaminates propensity score estimation, while two-step inference sacrifices valid posterior distributions for computational convenience. We resolve this dilemma through posterior coupling via entropic tilting. Our framework constructs independent posteriors for propensity score and outcome models, then couples them using entropic tilting to enforce the DR moment condition. This yields the first fully Bayesian DR estimator with an explicit posterior distribution. Theoretically, we establish three key properties: (i) when the outcome model is correctly specified, the tilted posterior coincides with the original; (ii) under propensity score model correctness, the posterior mean remains consistent despite outcome model misspecification; (iii) convergence rates improve for nonparametric outcome models. Simulations demonstrate superior bias reduction and efficiency compared to existing methods. We illustrate practical advantages of the proposed method through two applications: sensitivity analysis for unmeasured confounding in antihypertensive treatment effects on dementia, and high-dimensional confounder selection combining shrinkage priors with modified moment conditions for right heart catheterization mortality. We provide an R package implementing the proposed method.