SBI: A Simulation-Based Test of Identifiability for Bayesian Causal Inference
SBI：贝叶斯因果推断的基于模拟的可识别性检验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：摘要明确讨论贝叶斯因果查询的可识别性，并列举工具变量、断点回归与个体内设计等因果推断场景。
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…
SBI：贝叶斯因果推断的基于模拟的可识别性检验
- 研究问题
- 对以概率程序实现、难以解析分析的贝叶斯因果模型，如何检验目标因果量是否能够在模型假设下被识别？
- 方法与思路
- 作者提出 SBI，在模拟数据上使用粒子优化考察可识别性，并提供随机梯度下降实现，作为解析识别分析的补充。
- 材料陈述的贡献
- 摘要称分析了可微、有限维且效应有界的一类程序中的可靠性，并在图模型和准实验基准上与已知识别结果吻合。
- 阅读关注点
- 应核对可识别性的定义、可靠性结论的具体条件、优化失败与不可识别的区别，以及高斯过程基准如何满足理论条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；摘要未交代理论条件细节、有限模拟误差或优化收敛保证。
原文摘要
A growing family of approaches to causal inference rely on Bayesian formulations of assumptions that go beyond causal graph structure. For example, Bayesian approaches have been developed for analyzing instrumental variable designs, regression discontinuity designs, and within-subjects designs. This paper introduces simulation-based identifiability (SBI), a procedure for testing the identifiability of queries in Bayesian causal inference approaches that are implemented as probabilistic programs. SBI complements analytical approaches to identifiability, leveraging a particle-based optimization scheme on simulated data to determine identifiability for analytically intractable models. We analyze SBI's soundness for a broad class of differentiable, finite-dimensional probabilistic programs with bounded effects. Finally, we provide an implementation of SBI using stochastic gradient descent, and show empirically that it agrees with known identification results on a suite of graph-based and quasi-experimental design benchmarks, including those using Gaussian processes.