Bayesian change-plane regression
贝叶斯变平面回归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：摘要围绕协变量定义的治疗效应异质性、亚组效应对比及其推断展开，直接对应因果推断。
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
贝叶斯变平面回归
- 研究问题
- 如何对由基线协变量线性得分划分的治疗效应异质性开展贝叶斯推断，并处理硬阈值造成的非正则性？
- 方法与思路
- 作者以指定平滑尺度的 probit 门替代硬阈值，分别研究固定与递减尺度下的后验，并配合决策报告和潜变量计算。
- 材料陈述的贡献
- 摘要称，特定平滑安排下效应推断具有已知分组的预言效率，并给出区分异质性证据与边界报告的一致性协议。
- 阅读关注点
- 应核对平滑目标与硬阈值目标的区别、递减尺度窗口及定理条件，并检查边界报告规则与先验对结果的影响。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审与期刊接收未核实；摘要未列出完整定理条件，效率结论不能无条件推广。
原文摘要
Change-plane regression represents treatment effect heterogeneity through an interpretable rule that assigns patients to two groups according to whether a linear score of baseline covariates crosses a threshold. Although easy to communicate, likelihood-based inference for the hard threshold is nonregular, invalidating standard large-sample approximations. We develop a Bayesian framework that replaces the sharp indicator with a smooth probit gate at a declared smoothing scale and treats the smoothed subgroup rule as the reported estimand. At a fixed smoothing scale, the posterior satisfies a misspecified Bernstein--von Mises theorem centered at the smoothed rule. Under a vanishing smoothing schedule, the posterior learns the boundary faster than the parametric rate, while within an explicit schedule window the regression block and treatment-effect contrast satisfy a Bernstein--von Mises theorem centered at the hard-threshold values with known-subgroup oracle efficiency. Thus, effect inference pays no first-order price for regularization. A decision-theoretic reporting protocol with consistency guarantees separates evidence of heterogeneity from reporting a boundary. Computation uses latent-variable augmentation, a great-circle elliptical slice sampler, and a normalized horseshoe prior. Simulations and an application to the PREMIER trial illustrate the method.