Bayesian-based Propensity Score Subclassification Estimator
基于贝叶斯方法的倾向得分分层估计器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：摘要明确以倾向得分分层估计处理效应，并讨论设计阶段不确定性对因果分析的影响，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
基于贝叶斯方法的倾向得分分层估计器
- 研究问题
- 倾向得分分层的层数通常固定或择优选择，如何将层数选择的不确定性传递到处理效应分析，而不强加结局模型假设？
- 方法与思路
- 作者采用不依赖似然函数的广义贝叶斯程序，对分层数量的不确定性进行评估，而不是仅选择一个最优层数。
- 材料陈述的贡献
- 摘要明确提出贝叶斯分层估计思路，并预期其可将设计阶段不确定性反映到分析阶段；未报告已验证的覆盖率或效率改善。
- 阅读关注点
- 应核对损失函数、先验与学习率设定，层数不确定性的整合方式，以及倾向得分估计和因果识别条件如何进入推断。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实。摘要未提供理论性质或数值验证，所述不确定性传递效果仍是作者预期。
原文摘要
Subclassification estimators are one of the methods used to estimate causal effects of interest using the propensity score. This method is more stable compared to other weighting methods, such as inverse probability weighting estimators, in terms of the variance of the estimators. In subclassification estimators, the number of strata is traditionally set at five, and this number is not typically chosen based on data information. Even when the number of strata is selected, the uncertainty from the selection process is often not properly accounted for. In this study, we propose a novel Bayesian-based subclassification estimator that can assess the uncertainty in the number of strata, rather than selecting a single optimal number, using a Bayesian paradigm. To achieve this, we apply a general Bayesian procedure that does not rely on a likelihood function. This procedure allows us to avoid making strong assumptions about the outcome model, maintaining the same flexibility as traditional causal inference methods. With the proposed Bayesian procedure, it is expected that uncertainties from the design phase can be appropriately reflected in the analysis phase, which is sometimes overlooked in non-Bayesian contexts.