Sensitivity Analysis to Unobserved Confounding with Copula-based Normalizing Flows
基于 Copula 标准化流的未观测混杂敏感性分析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：摘要直接针对未观测混杂开展平均因果效应的敏感性分析。
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 Copula 标准化流的未观测混杂敏感性分析
- 研究问题
- 如何用可调的未观测混杂强度刻画平均因果效应的变化、效应归零所需强度，以及给定混杂参数范围时的效应界限？
- 方法与思路
- 作者提出基于高斯 Copula 的因果图标准化流，以相关参数表示混杂关联并构建效应曲线，另提供参数先验下的贝叶斯版本。
- 材料陈述的贡献
- 摘要称效应曲线可给出假定混杂参数区间内的平均因果效应界限及归零强度，贝叶斯版本可形成效应后验和可信区间。
- 阅读关注点
- 核对敏感性参数的实际含义和可校准性、高斯 Copula 限制、效应曲线的估计方式，以及先验对后验区间的影响。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实。界限依赖假定的混杂范围与模型；摘要未说明识别条件、误差控制或数值结果。
原文摘要
We propose a novel method for sensitivity analysis to unobserved confounding in causal inference. The method builds on a copula-based causal graphical normalizing flow that we term $ρ$-GNF, where $ρ\in [-1,+1]$ is the sensitivity parameter. The parameter represents the non-causal association between exposure and outcome due to unobserved confounding, which is modeled as a Gaussian copula. In other words, the $ρ$-GNF enables scholars to estimate the average causal effect (ACE) as a function of $ρ$, accounting for various confounding strengths. The output of the $ρ$-GNF is what we term the $ρ_{curve}$, which provides the bounds for the ACE given an interval of assumed $ρ$ values. The $ρ_{curve}$ also enables scholars to identify the confounding strength required to nullify the ACE. We also propose a Bayesian version of our sensitivity analysis method. Assuming a prior over the sensitivity parameter $ρ$ enables us to derive the posterior distribution over the ACE, which enables us to derive credible intervals. Finally, leveraging on experiments from simulated and real-world data, we show the benefits of our sensitivity analysis method.