Robustly estimating heterogeneity in factorial data using Rashomon Partitions
利用 Rashomon 分区稳健估计因子组合数据中的异质性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：摘要主要研究贝叶斯模型不确定性与协变量分组异质性，尚不足以对应所列因果或分布效应方向。
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…
利用 Rashomon 分区稳健估计因子组合数据中的异质性
- 研究问题
- 当不同协变量组合呈现复杂结果异质性时，如何避免单一模型过度简化或过度拟合，并呈现获得较高数据支持的多种解释？
- 方法与思路
- 作者构造后验密度接近最大后验模型的 Rashomon 分区集合，使用零范数先验，并通过枚举而非抽样探索候选模型。
- 材料陈述的贡献
- 摘要称，该先验具有信息论意义的极小极大最优性，并给出集合内后验近似误差、枚举算法、集合规模界及模拟和应用。
- 阅读关注点
- 应核对分区模型空间、后验接近阈值、最优性的损失与参数类，以及枚举复杂度和条件于集合后进行推断的误差控制。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收均未核实；摘要未说明具体理论条件，结果异质性也不能自动解释为因果效应异质性。
原文摘要
In both observational data and randomized control trials, researchers select statistical models to articulate how the outcome of interest varies with combinations of observable covariates. Choosing a model that is too simple can obfuscate important heterogeneity in outcomes between covariate groups, while too much complexity risks identifying spurious patterns. In this paper, we propose a novel Bayesian framework for model uncertainty called Rashomon Partition Sets (RPSs). The RPS consists of all models that have posterior density close to the maximum a posteriori (MAP) model. We construct the RPS by enumeration, rather than sampling, which ensures that we explore all models with high evidence in the data, even if they offer dramatically different substantive explanations. We use a l0 prior, which allows the allows us to capture complex heterogeneity without imposing strong assumptions about the associations between effects, showing this prior is minimax optimal from an information-theoretic perspective. We characterize the approximation error of (functions of) parameters computed conditional on being in the RPS relative to the entire posterior. We propose an algorithm to enumerate the RPS from the class of models that are interpretable and unique, then provide bounds on the size of the RPS. We give simulation evidence along with three empirical examples: price effects on charitable giving, heterogeneity in chromosomal structure, and the introduction of microfinance.