Robust Bayesian Inference of Causal Effects via Randomization Distributions
基于随机化分布的稳健贝叶斯因果效应推断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：摘要直接围绕随机化设计、潜在结果和处理效应的贝叶斯因果推断展开。
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…
基于随机化分布的稳健贝叶斯因果效应推断
- 研究问题
- 如何以处理分配的随机化设计为基础开展贝叶斯因果推断，在减少边际结果分布建模要求的同时连接经典设计型估计方法？
- 方法与思路
- 作者固定已观测潜在结果，基于统计量的随机化分布建立似然，并指定处理效应模型，结合后验平均随机化检验检查模型。
- 材料陈述的贡献
- 摘要称建立了Bernstein–von Mises定理及后验期望的大样本性质，后验均值渐近等价于Hodges–Lehmann估计量。
- 阅读关注点
- 应核对随机化似然的构造、处理效应模型和先验的作用、渐近结果的条件，以及营养实验中异质性与调节效应的区别。
- 阅读边界
- 这是预印本，同行评审或期刊接收未核实。方法仍需处理效应模型；摘要未给出稳健性的完整范围，所列扩展不等于均已验证。
原文摘要
We present a general framework for Bayesian inference of causal effects that delivers provably robust inferences founded on design-based randomization of treatments. The framework involves fixing the observed potential outcomes and forming a likelihood based on the randomization distribution of a statistic. The method requires specification of a treatment effect model; in many cases, however, it does not require specification of marginal outcome distributions, resulting in weaker assumptions compared to Bayesian superpopulation-based methods. We show that the framework is compatible with posterior model checking in the form of posterior-averaged randomization tests. We prove several theoretical properties for the method, including a Bernstein-von Mises theorem and large-sample properties of posterior expectations. In particular, we show that the posterior mean is asymptotically equivalent to Hodges-Lehmann estimators, which provides a bridge to many classical estimators in causal inference, including inverse-probability-weighted estimators and Hájek estimators. We evaluate the theory and utility of the framework in simulation and a case study involving a nutrition experiment. In the latter, our framework uncovers strong evidence of effect heterogeneity despite a lack of evidence for moderation effects. The basic framework allows numerous extensions, including the use of covariates, sensitivity analysis, estimation of assignment mechanisms, and generalization to nonbinary treatments.