Bayesian Causal Synthesis for Meta-Inference on Heterogeneous Treatment Effects
用于异质性处理效应元推断的贝叶斯因果综合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：摘要明确在潜在结果框架下研究异质性处理效应、模型误设和不可观测混杂，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…
用于异质性处理效应元推断的贝叶斯因果综合
- 研究问题
- 当异质性处理效应估计受到模型误设或不可观测混杂影响时，如何综合多个因果估计，降低误设影响并明确无法消除的偏差？
- 方法与思路
- 作者构造贝叶斯因果综合函数，结合多个估计；摘要称其在无不可观测混杂时正确刻画处理效应，在存在混杂时达到不可消除偏差。
- 材料陈述的贡献
- 摘要称该方法具有相应的一致性结果，并提供快速后验抽样算法；模拟与实证展示点估计和密度估计改善，但有混杂时仍保留偏差。
- 阅读关注点
- 应核对综合函数如何识别、候选模型需要满足哪些条件，以及有混杂时一致性所指的目标；重点检查不可消除偏差的定义与界定。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实。摘要未展开综合函数识别条件，不能据此认为多模型综合消除了不可观测混杂。
原文摘要
The estimation of heterogeneous treatment effects in the potential outcome setting is biased when there exists model misspecification or unobserved confounding. As these biases are unobservable, what model to use when remains a critical open question. In this paper, we propose a novel Bayesian methodology to mitigate misspecification and improve estimation via a synthesis of multiple causal estimates, which we call Bayesian causal synthesis. Our development is built upon identifying a synthesis function that correctly specifies the heterogeneous treatment effect under no unobserved confounding, and achieves the irreducible bias under unobserved confounding. We show that our proposed method results in consistent estimates of the heterogeneous treatment effect; either with no bias or with irreducible bias. We provide a computational algorithm for fast posterior sampling. Several benchmark simulations and an empirical study highlight the efficacy of the proposed approach compared to existing methodologies, providing improved point and density estimation of the heterogeneous treatment effect, even under unobserved confounding.