Bayesian Model Averaging for Causality Estimation and its Approximation based on Gaussian Scale Mixture Distributions
因果效应估计的贝叶斯模型平均及高斯尺度混合近似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：摘要研究线性结构因果模型中的因果效应及模型不确定性，直接属于因果推断。
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
因果效应估计的贝叶斯模型平均及高斯尺度混合近似
- 研究问题
- 在线性结构因果模型的结构与分布存在不确定性时，如何直接估计因果效应，并控制候选模型增多带来的计算负担？
- 方法与思路
- 作者对不同候选模型下的因果效应进行贝叶斯加权平均，并利用高斯尺度混合分布构造贝叶斯最优估计量的近似。
- 材料陈述的贡献
- 摘要称从贝叶斯角度论证模型平均的最优性，并提出计算近似，以缓解候选模型数量增加时模型权重计算困难的问题。
- 阅读关注点
- 应核对最优性对应的损失函数与先验、候选因果结构的设定，以及尺度混合近似的误差控制和计算复杂度。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核验；摘要未说明最优性的完整条件，也未给出近似误差或识别依据。
原文摘要
In the estimation of the causal effect under linear Structural Causal Models (SCMs), it is common practice to first identify the causal structure, estimate the probability distributions, and then calculate the causal effect. However, if the goal is to estimate the causal effect, it is not necessary to fix a single causal structure or probability distributions. In this paper, we first show from a Bayesian perspective that it is Bayes optimal to weight (average) the causal effects estimated under each model rather than estimating the causal effect under a fixed single model. This idea is also known as Bayesian model averaging. Although the Bayesian model averaging is optimal, as the number of candidate models increases, the weighting calculations become computationally hard. We develop an approximation to the Bayes optimal estimator by using Gaussian scale mixture distributions.