The How and Why of Bayesian Nonparametric Causal Inference
贝叶斯非参数因果推断：方法与理由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：摘要明确综述贝叶斯非参数方法在因果推断中的应用，并讨论选择过程与结果过程的建模，直接对应因果推断。
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
贝叶斯非参数因果推断：方法与理由
- 研究问题
- 如何为不同因果推断问题选择贝叶斯非参数工具，并避免高维应用中的常见陷阱，尤其判断是否需要同时建模选择与结果过程？
- 方法与思路
- 作者综述贝叶斯非参数方法的因果应用，介绍基本工具、问题与工具的匹配方式，并讨论高维环境中的建模风险与处理思路。
- 材料陈述的贡献
- 摘要提供面向因果推断的综合性方法概览，并主张多数情况下需要同时建模选择与结果过程，不能仅依赖结果模型。
- 阅读关注点
- 应核对各方法对应的因果目标和识别前提，以及联合建模主张的适用条件、先验作用和高维陷阱的具体示例。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要只概述综述目标与作者主张，未说明各工具的保证条件或比较结果。
原文摘要
Spurred on by recent successes in causal inference competitions, Bayesian nonparametric (and high-dimensional) methods have recently seen increased attention in the causal inference literature. In this paper, we present a comprehensive overview of Bayesian nonparametric applications to causal inference. Our aims are to (i) introduce the fundamental Bayesian nonparametric toolkit; (ii) discuss how to determine which tool is most appropriate for a given problem; and (iii) show how to avoid common pitfalls in applying Bayesian nonparametric methods in high-dimensional settings. Unlike standard fixed-dimensional parametric problems, where outcome modeling alone can sometimes be effective, we argue that most of the time it is necessary to model both the selection and outcome processes.