Model Criticism for Bayesian Causal Inference
贝叶斯因果推断的模型诊断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：摘要直接讨论潜在结果、处理分配、无混杂性及贝叶斯因果推断的模型诊断，明确属于因果推断方向。
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…
贝叶斯因果推断的模型诊断
- 研究问题
- 因果推断对假设高度敏感时，如何诊断贝叶斯模型的拟合，并在无混杂性前提下评估处理分配与结果模型的额外假设？
- 方法与思路
- 作者基于后验预测检验，将模型诊断拆分为处理分配模型和结果模型两部分，并在给定无混杂性假设下检查额外建模假设。
- 材料陈述的贡献
- 摘要称，该方法为诊断基于模型的贝叶斯因果推断提供框架，并说明在无混杂性前提下如何检查其他建模假设。
- 阅读关注点
- 应核对诊断统计量与后验预测样本的构造、潜在结果如何进入检验，以及模型拟合检查与因果识别假设之间的边界。
- 阅读边界
- 所据为 arXiv 预印本，同行评审及期刊接收未核实；该框架以无混杂性为前提，摘要未声称能够验证这一识别假设。
原文摘要
The goal of causal inference is to understand the outcome of alternative courses of action. However, all causal inference requires assumptions. Such assumptions can be more influential than in typical tasks for probabilistic modeling, and testing those assumptions is important to assess the validity of causal inference. We develop model criticism for Bayesian causal inference, building on the idea of posterior predictive checks to assess model fit. Our approach involves decomposing the problem, separately criticizing the model of treatment assignments and the model of outcomes. Conditioned on the assumption of unconfoundedness---that the treatments are assigned independently of the potential outcomes---we show how to check any additional modeling assumption. Our approach provides a foundation for diagnosing model-based causal inferences.