Valid Bayesian Inference based on Variance Weighted Projection for High-Dimensional Logistic Regression with Binary Covariates
基于方差加权投影的高维二元协变量 Logistic 回归有效贝叶斯推断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：摘要明确以控制高维基线协变量后的处理效应推断为目标，因此归入因果推断方向。
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…
关注这篇论文的作者
基于方差加权投影的高维二元协变量 Logistic 回归有效贝叶斯推断
- 研究问题
- 面对二元结局和高维基线协变量，如何对分类处理的低维效应参数进行推断，并解决二元处理下的正交化问题？
- 方法与思路
- 作者通过方差加权投影构造适用于二元处理的正交得分，再建立高维 Logistic 回归中的贝叶斯推断框架。
- 材料陈述的贡献
- 摘要称作者给出一致收敛结果以支持后验可信区间的有效性，并通过模拟和真实数据分析展示方法表现。
- 阅读关注点
- 应核对目标参数的因果含义、方差加权投影形式、先验与高维限制，以及可信区间有效性的具体覆盖标准。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审及接收未核实；摘要未说明因果识别条件、先验要求和区间有效性的适用边界。
原文摘要
We address the challenge of conducting inference for a categorical treatment effect related to a binary outcome variable while taking into account high-dimensional baseline covariates. The conventional technique used to establish orthogonality for the treatment effect from nuisance variables in continuous cases is inapplicable in the context of binary treatment. To overcome this obstacle, an orthogonal score tailored specifically to this scenario is formulated which is based on a variance-weighted projection. Additionally, a novel Bayesian framework is proposed to facilitate valid inference for the desired low-dimensional parameter within the complex framework of high-dimensional logistic regression. We provide uniform convergence results, affirming the validity of credible intervals derived from the posterior distribution. The effectiveness of the proposed method is demonstrated through comprehensive simulation studies and real data analysis.