Bayesian Sensitivity of Causal Inference Estimators under Evidence-Based Priors
基于证据先验的因果估计量贝叶斯敏感性分析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：摘要直接讨论因果推断假设违反及观察性处理效应的敏感性。
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…
基于证据先验的因果估计量贝叶斯敏感性分析
- 研究问题
- 观察性研究的因果结论依赖不可检验假设，如何避免最坏情形敏感性分析采用不现实的扰动，并纳入现实证据提供的先验？
- 方法与思路
- 作者拓展 s-value 框架分析三类因果假设，并提出贝叶斯敏感性值，以证据构造的先验计算期望敏感性，再用蒙特卡洛近似。
- 材料陈述的贡献
- 摘要称，最坏情形结论可能依赖不现实的数据生成机制变化；新指标提供先验加权的敏感性评估，并用于糖尿病治疗研究。
- 阅读关注点
- 应核对三类假设的具体内容、扰动与敏感性的定义、证据如何转化为先验，以及蒙特卡洛误差和先验选择的影响。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未获核验；摘要未列明三类假设，且先验平均敏感性不能直接替代最坏情形保证。
原文摘要
Causal inference, especially in observational studies, relies on untestable assumptions about the true data-generating process. Sensitivity analysis helps us determine how robust our conclusions are when we alter these underlying assumptions. Existing frameworks for sensitivity analysis are concerned with worst-case changes in assumptions. In this work, we argue that using such pessimistic criteria can often become uninformative or lead to conclusions contradicting our prior knowledge about the world. To demonstrate this claim, we generalize the recent s-value framework (Gupta & Rothenhäusler, 2023) to estimate the sensitivity of three different common assumptions in causal inference. Empirically, we find that, indeed, worst-case conclusions about sensitivity can rely on unrealistic changes in the data-generating process. To overcome this, we extend the s-value framework with a new sensitivity analysis criterion: Bayesian Sensitivity Value (BSV), which computes the expected sensitivity of an estimate to assumption violations under priors constructed from real-world evidence. We use Monte Carlo approximations to estimate this quantity and illustrate its applicability in an observational study on the effect of diabetes treatments on weight loss.