Inference on counterfactual distributions using martingale posteriors
利用鞅后验推断反事实分布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：摘要明确估计反事实结局分布、分位数及工具变量情形的因果效应，因此直接对应因果推断与分位数及分布效应。
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
利用鞅后验推断反事实分布
- 研究问题
- 如何超越平均效应，估计边际或条件反事实结局的完整分布，并对密度、分布函数和分位数等目标量化认识不确定性？
- 方法与思路
- 作者结合鞅后验与 Dirichlet 过程混合模型的预测递推，构造反事实分布推断，并讨论工具变量扩展及收敛性。
- 材料陈述的贡献
- 摘要称方法灵活、通常计算较快，可连贯量化不同分布目标的不确定性，并为文中因果模型证明后验推断收敛。
- 阅读关注点
- 应核对各因果模型和工具变量扩展的识别条件、递推构造、收敛结论的含义，以及不依赖限制性参数形式的具体范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未给出收敛条件或计算比较，收敛也不能直接等同于区间覆盖正确。
原文摘要
Causal inference is often focused on average effects, which can hide important aspects of the effect distributions. Here we consider the entire posterior effects distribution by estimating full counterfactual outcome distributions. We propose a methodology for inference on counterfactual distributions which builds upon the martingale posterior framework of Fong et al. (2023). This provides a highly flexible approach to estimating densities, distribution functions, and derived quantities such as quantiles, which coherently quantifies the epistemic uncertainty on any target estimand of interest. As the predictive recursions are based on an underlying nonparametric model (a Dirichlet process mixture model), our method naturally inherits robustness with respect to restrictive parametric assumptions. In addition, implementation of our method is typically very fast. This approach can be applied to marginal or conditional counterfactual distributions and is easily extended to an instrumental variables setup. Using the concept of almost conditionally identically distributed random variables, we prove convergence of the martingale posterior inference on the counterfactual outcome distributions for the causal models considered in the paper. We illustrate our approach on both simulated and real data. Using the latter, we investigate the effect of zinc lozenges on common cold duration, the impact of vitamin A supplementation on children's survival rates with one-sided non-compliance (analysed in Imbens and Rubin, 1997a) and the effect of job training (LaLonde, 1986).