Predictive posteriors under hidden confounding
隐藏混杂下的预测后验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：摘要核心议题是隐藏混杂下的预测与推断，直接对应因果推断方向；未涉及面板、离散选择等其余细分领域的文本依据。
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…
隐藏混杂下的预测后验
- 研究问题
- 摘要称，研究在外部域存在隐藏混杂、且混杂同时影响预测变量与结果时，如何进行有原则的不确定性量化与预测。
- 方法与思路
- 作者提出一个贝叶斯框架，用于给出跨外部域的预测分布，并声称支持有效的模型推断与随观测数据集数量增加而改善的后验收缩率。
- 材料陈述的贡献
- 摘要明确陈述的贡献是：在隐藏混杂下提供校准良好的预测分布、有效的模型推断，以及随数据集数量增加而改善的后验收缩率，并用模拟与一个医学应用展示经验覆盖率。
- 阅读关注点
- 阅读全文时应核对：隐藏混杂的识别假设与可检验性、后验收缩率的具体条件与速率、校准与覆盖率的定义及模拟设计、医学应用的数据与外部域设定。
- 阅读边界
- 仅凭摘要无法判断假设是否合理、定理条件是否成立、模拟与医学应用的具体结果，也无法据此声称已通过同行评审或期刊接收；该文为 arXiv 预印本，版本限制需注意。
原文摘要
Predicting outcomes in external domains is challenging due to hidden confounders that potentially influence both predictors and outcomes. Well-established methods frequently rely on stringent assumptions, explicit knowledge about the distribution shift across domains, or bias-inducing regularization schemes to enhance generalization. While recent developments in point prediction under hidden confounding attempt to mitigate these shortcomings, they generally do not provide principled uncertainty quantification. We introduce a Bayesian framework that yields well-calibrated predictive distributions across external domains, supports valid model inference, and achieves posterior contraction rates that improve as the number of observed datasets increases. Simulations and a medical application highlight the remarkable empirical coverage of our approach, nearly unchanged when transitioning from low- to moderate-dimensional settings.