Bayesian Causal Inference: A Critical Review
贝叶斯因果推断：批判性综述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、因果目标和识别假设为主线，并讨论倾向得分、工具变量及时变治疗，直接归入因果推断方向。
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
贝叶斯因果推断：批判性综述
- 研究问题
- 在潜在结果框架下，贝叶斯因果推断如何处理因果目标、识别、先验与敏感性分析，以及协变量重叠和研究设计的作用？
- 方法与思路
- 作者系统回顾贝叶斯因果推断的基本结构，通过例子讨论倾向得分、可识别性与高低维先验，并延伸至工具变量和时变治疗。
- 材料陈述的贡献
- 摘要称综述突出贝叶斯方法特有的概念与实践问题，强调协变量重叠及设计阶段的核心地位，并覆盖两类复杂分配机制。
- 阅读关注点
- 核对识别与后验推断如何区分、倾向得分的具体角色，以及不同维度下的先验选择、重叠不足处理和敏感性分析方案。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要属于综述性概述，未交代文献覆盖范围或各方法条件，不能据此判断方法优劣。
原文摘要
This paper provides a critical review of the Bayesian perspective of causal inference based on the potential outcomes framework. We review the causal estimands, identification assumptions, the general structure of Bayesian inference of causal effects, and sensitivity analysis. We highlight issues that are unique to Bayesian causal inference, including the role of the propensity score, definition of identifiability, the choice of priors in both low and high dimensional regimes. We point out the central role of covariate overlap and more generally the design stage in Bayesian causal inference. We extend the discussion to two complex assignment mechanisms: instrumental variable and time-varying treatments. Throughout, we illustrate the key concepts via examples.