causalBETA: An R Package for Bayesian Semiparametric Causal Inference with Event-Time Outcomes
causalBETA：事件时间结局的贝叶斯半参数因果推断 R 包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：摘要明确以观察性研究的混杂调整和事件时间结局的因果效应估计为核心。
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
causalBETA：事件时间结局的贝叶斯半参数因果推断 R 包
- 研究问题
- 如何为观察性研究中的事件时间结局提供易用的贝叶斯因果分析软件，使混杂调整、效应估计和不确定性分析更便于实施？
- 方法与思路
- 作者开发基于贝叶斯半参数模型的 causalBETA，以类似既有生存分析包的接口连接 Stan，并通过 S3 方法支持结果汇总与绘图。
- 材料陈述的贡献
- 摘要所述贡献是提供开源软件、方法说明、公开数据演示与计算指导，以降低事件时间结局贝叶斯因果分析的实施门槛。
- 阅读关注点
- 应核对因果目标量、混杂调整与删失处理条件、半参数模型和先验设定，以及后验计算诊断和软件示例的可复现性。
- 阅读边界
- 依据 arXiv 预印本摘要，同行评审及期刊接收未核实；具体识别条件、删失机制及模型稳健性的适用范围，摘要未说明。
原文摘要
Observational studies are often conducted to estimate causal effects of treatments or exposures on event-time outcomes. Since treatments are not randomized in observational studies, techniques from causal inference are required to adjust for confounding. Bayesian approaches to causal estimates are desirable because they provide 1) prior smoothing provides useful regularization of causal effect estimates, 2) flexible models that are robust to misspecification, 3) full inference (i.e. both point and uncertainty estimates) for causal estimands. However, Bayesian causal inference is difficult to implement manually and there is a lack of user-friendly software, presenting a significant barrier to wide-spread use. We address this gap by developing causalBETA (Bayesian Event Time Analysis) - an open-source R package for estimating causal effects on event-time outcomes using Bayesian semiparametric models. The package provides a familiar front-end to users, with syntax identical to existing survival analysis R packages such as survival. At the same time, it back-ends to Stan - a popular platform for Bayesian modeling and high performance statistical computing - for efficient posterior computation. To improve user experience, the package is built using customized S3 class objects and methods to facilitate visualizations and summaries of results using familiar generic functions like plot() and summary(). In this paper, we provide the methodological details of the package, a demonstration using publicly-available data, and computational guidance.