Bayesian Causal Effect Estimation for Categorical Data using Staged Tree Models
利用分阶段树模型进行分类数据的贝叶斯因果效应估计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：摘要明确从图模型后验推导平均处理效应并进行因果推断，分类变量本身不足以归为离散选择。
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…
利用分阶段树模型进行分类数据的贝叶斯因果效应估计
- 研究问题
- 如何对多变量分类数据中的非对称和情境特定依赖进行建模，同时将结构与参数不确定性纳入因果效应估计？
- 方法与思路
- 作者为分阶段树设计分割与距离先验，并纳入连续协变量；通过分裂合并 MCMC 取得后验树样本及处理效应分布。
- 材料陈述的贡献
- 摘要提出完整贝叶斯框架及灵活先验族，从后验样本计算平均处理效应和不确定性，并以两项医学案例展示方法。
- 阅读关注点
- 应核对树结构的因果解释与识别假设、先验如何约束依赖、连续协变量的纳入方式，以及后验汇总和采样收敛。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明混杂控制和干预识别条件，后验不确定性不自动涵盖假设错误。
原文摘要
We propose a fully Bayesian approach for causal inference with multivariate categorical data based on staged tree models, a class of probabilistic graphical models capable of representing asymmetric and context-specific dependencies. To account for uncertainty in both structure and parameters, we introduce a flexible family of prior distributions over staged trees. These include product partition models to encourage parsimony, a novel distance-based prior to promote interpretable dependence patterns, and an extension that incorporates continuous covariates into the learning process. Posterior inference is achieved via a tailored Markov Chain Monte Carlo algorithm with split-and-merge moves, yielding posterior samples of staged trees from which average treatment effects and uncertainty measures are derived. Posterior summaries and uncertainty measures are obtained via techniques from the Bayesian nonparametrics literature. Two case studies on electronic fetal monitoring and cesarean delivery and on anthracycline therapy and cardiac dysfunction in breast cancer illustrate the methods.