Semiparametric posterior corrections
半参数后验修正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。
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：摘要明确将已处理者平均因果效应作为理论例子，并使用因果数据分析竞赛展示方法，因此具有直接的因果推断依据。
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…
半参数后验修正
- 研究问题
- 如何利用非参数贝叶斯方法的适应性和正则化能力，估计低维目标泛函，并使相关后验推断具备频率学派校准性质？
- 方法与思路
- 作者从数据生成分布的常规后验出发，借助贝叶斯自助法对目标泛函的边际后验作一步修正，作为后验抽样的后处理步骤。
- 材料陈述的贡献
- 摘要称给出校准条件，并覆盖密度平方积分、随机缺失结果均值及已处理者平均因果效应；竞赛案例展示了潜在性能改善。
- 阅读关注点
- 应核对一步修正的形式、先验和后验收缩要求，以及缺失与因果例子的识别条件、区间校准和竞赛比较设置。
- 阅读边界
- 仅据Crossref摘要解读，不能推断其他版本变化；摘要未列校准条件或比较数值，竞赛中的改善陈述不构成普遍优越性结论。
原文摘要
Abstract We present a new approach to semiparametric inference using corrected posterior distributions. The method allows us to leverage the adaptivity, regularization, and predictive power of nonparametric Bayesian procedures to estimate low-dimensional functionals of interest without being restricted by the holistic Bayesian formalism. Starting from a conventional posterior on the whole data-generating distribution, we correct the marginal posterior for each functional of interest with the help of the Bayesian bootstrap. We provide conditions for the resulting one-step posterior to possess calibrated frequentist properties and specialize the results for several canonical examples: the integrated squared density, the mean of a missing-at-random outcome, and the average causal treatment effect on the treated. The procedure is computationally attractive, requiring only a simple, efficient postprocessing step that can be attached onto any arbitrary posterior sampling algorithm. Using the ACIC 2016 causal data analysis competition, we illustrate that our approach can outperform the existing state-of-the-art through the propagation of Bayesian uncertainty.