Bayesian sensitivity analysis for a missing data model
缺失数据模型的贝叶斯敏感性分析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：摘要将方法置于因果推断的假设敏感性分析中，并讨论治疗条件分布与缺失结局的推断问题。
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…
缺失数据模型的贝叶斯敏感性分析
- 研究问题
- 研究当结局完全随机缺失假设可能不成立时，如何评估均值估计对该假设的敏感性，以及不同先验参数化如何影响推断。
- 方法与思路
- 作者采用结局分布非参数化的贝叶斯方法，为敏感性参数引入信息性先验，并比较对结局及治疗条件分布设置狄利克雷过程先验的方案。
- 材料陈述的贡献
- 摘要称，论文解释不同参数化如何引入敏感性参数先验，给出均值估计的 Bernstein-von Mises 定理，并通过模拟考察有限样本表现。
- 阅读关注点
- 应核对敏感性参数的实质含义、先验与可观测数据的关系、各参数化的可比性，以及后验渐近结论成立的具体条件。
- 阅读边界
- 所据版本为 arXiv 预印本，同行评审与期刊接收未核实；摘要未列出定理条件，亦未说明敏感性先验能获得何种外部依据。
原文摘要
In causal inference, sensitivity analysis is important to assess the robustness of study conclusions to key assumptions. We perform sensitivity analysis of the assumption that missing outcomes are missing completely at random. We follow a Bayesian approach, which is nonparametric for the outcome distribution and can be combined with an informative prior on the sensitivity parameter. We give insight in the posterior and provide theoretical guarantees in the form of Bernstein-von Mises theorems for estimating the mean outcome. We study different parametrisations of the model involving Dirichlet process priors on the distribution of the outcome and on the distribution of the outcome conditional on the subject being treated. We show that these parametrisations incorporate a prior on the sensitivity parameter in different ways and discuss the relative merits. We also present a simulation study, showing the performance of the methods in finite sample scenarios.