Semiparametric Bayesian causal inference
半参数贝叶斯因果推断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。
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：摘要明确研究治疗因果效应，并通过非参数倾向得分建模校正混杂。
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
半参数贝叶斯因果推断
- 研究问题
- 在二元结局的缺失数据或等价治疗效应问题中，如何非参数校正混杂，并获得有效的贝叶斯推断？
- 方法与思路
- 作者研究高斯过程先验下的半参数Bernstein–von Mises定理，并提出依赖倾向得分的先验及协变量分布建模方案。
- 材料陈述的贡献
- 摘要称新先验在严格更弱条件下提供有效推断，并论证协变量分布使用Dirichlet过程或贝叶斯自助法更为可取。
- 阅读关注点
- 应核对缺失数据与治疗效应的等价条件、平滑性要求、倾向得分依赖先验的构造，以及效率结论的准确目标。
- 阅读边界
- 仅据版本未注明的索引摘要；因果识别条件、重叠要求及具体平滑性阈值未说明，不能据此判断实际数据中的有效性。
原文摘要
We develop a semiparametric Bayesian approach for estimating the mean response in a missing data model with binary outcomes and a nonparametrically modelled propensity score. Equivalently, we estimate the causal effect of a treatment, correcting nonparametrically for confounding. We show that standard Gaussian process priors satisfy a semiparametric Bernstein–von Mises theorem under smoothness conditions. We further propose a novel propensity score-dependent prior that provides efficient inference under strictly weaker conditions. We also show that it is theoretically preferable to model the covariate distribution with a Dirichlet process or Bayesian bootstrap, rather than modelling its density.