Variance Deltas for Visualizing and Explaining Posterior Uncertainty
方差差量：后验不确定性的可视化与解释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：方法针对一般贝叶斯后验不确定性的解释，处理效应与民调预测仅为展示案例，摘要不足以限定给定领域细分。
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…
关注这篇论文的作者
方差差量：后验不确定性的可视化与解释
- 研究问题
- 当观测数据不足以精确确定目标量时，能否从贝叶斯后验中发现哪些未观测信息若被补充，会显著降低其不确定性？
- 方法与思路
- 作者提出交互式方差差量系统，将未观测模型量的子集按解释目标不确定性的能力组织成树，并支持自动生成、拆分和组合。
- 材料陈述的贡献
- 摘要称提供软件包，并在模拟处理效应问题与真实民调比例预测中发现不直观的不确定性来源，辅助探索潜在信息缺口。
- 阅读关注点
- 应核对方差差量的数学定义、对子集信息的条件化方式，以及树构造和排序规则，并检查解释对先验与模型设定的敏感性。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；后验中的信息价值依赖模型，摘要未证明相关信息可被实际采集或消除偏差。
原文摘要
In observational settings, where the data generating process and possibly the sample size are not controlled, it is typically impossible to guarantee a priori that quantities of interest will be estimated with sufficient precision. However, even when the data do not determine the quantities of interest, they may still allow determination of what is missing -- unobserved information which, if observed, would meaningfully reduce uncertainty. We propose an interactive visualization system, termed variance deltas, to enable the discovery of such missing information from a Bayesian posterior distribution. This system, which we provide as a software package, represents missing information as subsets of unobserved model quantities, organized into a tree based on how well each subset explains uncertainty about the quantity of interest. This system both automates the construction of candidate subsets from minimal user input and implements interactive operations for the division and combination of subsets, allowing the efficient discovery of interesting and useful explanations. We demonstrate this system by using it to discover nonobvious explanations of uncertainty for (1) a treatment effect parameter in a simulated causal inference problem and (2) a population proportion in a forecasting model of real polling data with many sources of bias.