Bayesian Causal Inference in Doubly Gaussian DAG-probit Models
双组高斯 DAG-probit 模型中的贝叶斯因果推断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：摘要明确以因果 DAG 和节点效应开展观察数据分析，归入因果推断；二元响应本身不足以归入行为离散选择模型。
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
双组高斯 DAG-probit 模型中的贝叶斯因果推断
- 研究问题
- 对于两组观察数据中的二元结局与协变量，如何构造共享部分参数但允许有向边不同的图模型，并估计各组节点的效应？
- 方法与思路
- 作者构建双组高斯 DAG-probit 模型，利用图的马尔可夫结构与共享参数，通过 MCMC 抽取后验样本以估计图骨架和参数。
- 材料陈述的贡献
- 摘要称，所提模型可联合分析两组的图结构和节点效应，并以模拟、两个真实数据集及已有实验研究对照展示方法的用途。
- 阅读关注点
- 应核对二元结局与潜变量的关系、共享参数限制及图方向识别条件，并区分后验图结构、关联效应与可识别的干预效应。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审及接收未核实；摘要未说明观察数据如何识别因果方向，也未给出效应定义与验证细节。
原文摘要
We consider modeling a binary response variable together with a set of covariates for two groups under observational data. The grouping variable can be the confounding variable (the common cause of treatment and outcome), gender, case/control, ethnicity, etc. Given the covariates and a binary latent variable, the goal is to construct two directed acyclic graphs (DAGs), while sharing some common parameters. The set of nodes, which represent the variables, are the same for both groups but the directed edges between nodes, which represent the causal relationships between the variables, can be potentially different. For each group, we also estimate the effect size for each node. We assume that each group follows a Gaussian distribution under its DAG. Given the parent nodes, the joint distribution of DAG is conditionally independent due to the Markov property of DAGs. We introduce the concept of Gaussian DAG-probit model under two groups and hence doubly Gaussian DAG-probit model. To estimate the skeleton of the DAGs and the model parameters, we took samples from the posterior distribution of doubly Gaussian DAG-probit model via MCMC method. We validated the proposed method using a comprehensive simulation experiment and applied it on two real datasets. Furthermore, we validated the results of the real data analysis using well-known experimental studies to show the value of the proposed grouping variable in the causality domain.