Improving Generative Methods for Causal Evaluation via Simulation-Based Inference
通过基于模拟的推断改进因果评估的生成方法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：摘要专门讨论因果估计量评估、混杂偏差及处理效应参数的合成数据生成。
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…
通过基于模拟的推断改进因果评估的生成方法
- 研究问题
- 如何在生成用于比较因果估计量的合成数据时，同时表达生成方法选择、处理效应和混杂参数的不确定性？
- 方法与思路
- 作者提出 SBICE，将生成方法及其参数视为未知量，利用基于模拟的推断从源数据推断后验，再生成合成数据。
- 材料陈述的贡献
- 摘要称该框架生成的数据更贴近源数据分布，合成数据的因果估计也更接近源数据估计，从而改善评估可靠性。
- 阅读关注点
- 应核对候选生成模型、先验与后验近似，以及真实因果效应是否已知，区分分布拟合与因果评估有效性的证据。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；源数据估计接近不等于因果真值接近，摘要未说明后验校准条件。
原文摘要
Generating synthetic datasets that accurately reflect real-world observational data is critical for evaluating causal estimators, but it remains a challenging task. Existing generative methods offer a solution by producing synthetic datasets anchored in the observed data (source data) while allowing variation in key parameters such as the treatment effect and amount of confounding bias. However, it is often unclear which generative methods to use and which values of parameters to choose when generating synthetic datasets. Moreover, existing methods typically require users to provide fixed point estimates of such parameters. This denies users the ability to express uncertainty over both generative methods and parameter values and removes the potential for posterior inference, potentially leading to unreliable estimator comparisons. We introduce simulation-based inference for causal evaluation (SBICE), a framework that treats the generative method and its corresponding generative parameters as uncertain and infers their posterior distribution given a source dataset. Leveraging techniques in simulation-based inference, SBICE identifies suitable generative methods and infers distributions over its parameter configurations to produce synthetic datasets closely aligned with the source data distribution. Empirical results demonstrate that SBICE improves the reliability of estimator evaluations by generating realistic datasets whose causal estimates closely match the estimates of the source data, making it a robust and uncertainty-aware approach to selecting causal estimators.