Multivariate Bayesian dynamic modeling for causal prediction
用于因果预测的多元贝叶斯动态建模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：摘要结合干预因果评估、多元动态时间序列及贝叶斯反事实预测。
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…
用于因果预测的多元贝叶斯动态建模
- 研究问题
- 如何利用对照单位的同期结果评估多个处理单位的动态干预效应，并在序贯学习和效应汇总中合理量化不确定性？
- 方法与思路
- 作者构建多元共轭动态模型，对合成反事实预测变量降维，刻画单位间相关及其变化，并以贝叶斯模型平均处理超参数。
- 材料陈述的贡献
- 摘要称方法支持高效序贯推断、跨处理单位效应汇总和超参数不确定性量化，并通过超市促销实验案例与既有方法比较。
- 阅读关注点
- 应核对反事实预测的因果识别依据、对照单位有效性、相关结构设定，以及模型平均如何影响汇总效应的不确定性。
- 阅读边界
- 这是预印本，同行评审及期刊接收未获核实；摘要未说明识别假设、先验与比较指标，也未给出促销干预的数值结果。
原文摘要
Bayesian forecasting is developed in multivariate time series analysis for causal inference. Causal evaluation of sequentially observed time series data from control and treated units focuses on the impacts of interventions using contemporaneous outcomes in control units. Methodological developments here concern multivariate dynamic models for time-varying effects across multiple treated units with explicit foci on sequential learning and aggregation of intervention effects. Analysis explores dimension reduction across multiple synthetic counterfactual predictors. Computational advances leverage fully conjugate models for efficient sequential learning and inference, including cross-unit correlations and their time variation. This allows full uncertainty quantification on model hyper-parameters via Bayesian model averaging. A detailed case study evaluates interventions in a supermarket promotions experiment, with coupled predictive analyses in selected regions of a large-scale commercial system. Comparisons with existing methods highlight the issues of appropriate uncertainty quantification in casual inference in aggregation across treated units, among other practical concerns.