Bayesian Semiparametric Causal Inference: Targeted Doubly Robust Estimation of Treatment Effects
贝叶斯半参数因果推断：处理效应的目标化双重稳健估计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：摘要以潜在结果框架下的平均处理效应、干扰估计去偏和双重稳健性为核心，明确属于因果推断。
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…
贝叶斯半参数因果推断：处理效应的目标化双重稳健估计
- 研究问题
- 研究观察数据中存在高维干扰参数时，如何以贝叶斯去偏和目标化建模估计平均处理效应，并获得稳健的后验推断。
- 方法与思路
- 作者通过加权观测量识别去偏摘要统计量，对平均处理效应进行分层学习，并结合样本分割分离干扰估计与目标参数推断。
- 材料陈述的贡献
- 摘要称两类干扰模型均正确时成立 Bernstein–von Mises 定理，仅一类正确时仍保持一致性，形成贝叶斯双重稳健性。
- 阅读关注点
- 应核对摘要统计量和去偏项的构造、先验及干扰估计条件，并区分双模型正确下的后验有效性与单模型正确下的一致性。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未说明完整正则条件，不能把单模型正确下的一致性等同于区间有效性。
原文摘要
We propose a semiparametric Bayesian methodology for estimating the average treatment effect (ATE) within the potential outcomes framework using observational data with high-dimensional nuisance parameters. Our method introduces a Bayesian debiasing procedure that corrects for bias arising from nuisance estimation and employs a targeted modeling strategy based on summary statistics rather than the full data. These summary statistics are identified in a debiased manner, enabling the estimation of nuisance bias via weighted observables and facilitating hierarchical learning of the ATE. By combining debiasing with sample splitting, our approach separates nuisance estimation from inference on the target parameter, reducing sensitivity to nuisance model specification. We establish that, under mild conditions, the marginal posterior for the ATE satisfies a Bernstein-von Mises theorem when both nuisance models are correctly specified and remains consistent and robust when only one is correct, achieving Bayesian double robustness. This ensures asymptotic efficiency and frequentist validity. Extensive simulations confirm the theoretical results, demonstrating accurate point estimation and credible intervals with nominal coverage, even in high-dimensional settings. The proposed framework can also be extended to other causal estimands, and its key principles offer a general foundation for advancing Bayesian semiparametric inference more broadly.