Credible Bounds for Causal Quantities with Continuous Outcomes
连续结局因果量的贝叶斯可信界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：摘要直接讨论结构因果模型中未点识别因果量的部分识别与贝叶斯概率界。
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
连续结局因果量的贝叶斯可信界
- 研究问题
- 当观测分布和因果图不足以点识别因果量时，如何为连续或多维结局构造体现不同可信程度的概率界？
- 方法与思路
- 作者基于结构因果模型中的部分识别问题，提出一种贝叶斯方法，为较广类别的因果量构造概率界，并允许多维或连续结局。
- 材料陈述的贡献
- 摘要称，所提方法将概率界构造扩展到可能多维、连续的结局，使部分识别结果能够表达不同程度的可信性。
- 阅读关注点
- 应核对可处理的因果量类别、先验如何施加于未识别部分，以及可信界与识别界、频率学覆盖率之间的关系。
- 阅读边界
- 本资料为 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明先验、计算程序、界的锐性或覆盖性质，不能据此验证。
原文摘要
The problem of partial identification concerns bounding causal quantities that remain unidentifiable given the observed distribution and the causal diagram of the underlying structural causal model (SCM). While bounds have been developed for certain causal quantities with continuous outcomes, they are necessarily univariate and are unable to reflect differing levels of confidence. Building on previous work in partial identification, we propose a simple Bayesian method for deriving probabilistic bounds on a large class of causal quantities with potentially multivariate and/or continuous outcome variables.