Bayesian Sensitivity Analysis for Missing Data Using the E-value
利用 E-value 对缺失数据开展贝叶斯敏感性分析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：摘要将因果结论稳健性指标 E-value 扩展至缺失结果，并开展敏感性推断。
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
利用 E-value 对缺失数据开展贝叶斯敏感性分析
- 研究问题
- 当结果变量缺失且相关假设不可检验时，如何利用带噪声的外部基准估计敏感性参数，并量化结论对假设偏离的稳健性？
- 方法与思路
- 作者将 E-value 扩展到缺失结果场景，采用贝叶斯方法结合带噪基准估计敏感性参数，再通过模拟或闭式分布进行后验推断。
- 材料陈述的贡献
- 摘要提出敏感性参数贝叶斯估计、E-value 后验模拟及闭式分布三项方法，并报告数据模拟中相较渐近推断的表现改善。
- 阅读关注点
- 核对缺失场景中 E-value 的定义、基准噪声模型与先验构造、闭式分布适用范围，以及不同先验对稳健性判断的影响。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明具体假设与改善幅度，敏感性指标不能验证缺失机制或排除偏差。
原文摘要
Sensitivity Analysis is a framework to assess how conclusions drawn from missing outcome data may be vulnerable to departures from untestable underlying assumptions. We extend the E-value, a popular metric for quantifying robustness of causal conclusions, to the setting of missing outcomes. With motivating examples from partially-observed Facebook conversion events, we present methodology for conducting Sensitivity Analysis at scale with three contributions. First, we develop a method for the Bayesian estimation of sensitivity parameters leveraging noisy benchmarks(e.g., aggregated reports for protecting unit-level privacy); both empirically derived subjective and objective priors are explored. Second, utilizing the Bayesian estimation of the sensitivity parameters we propose a mechanism for posterior inference of the E-value via simulation. Finally, closed form distributions of the E-value are constructed to make direct inference possible when posterior simulation is infeasible due to computational constraints. We demonstrate gains in performance over asymptotic inference of the E-value using data-based simulations, supplemented by a case-study of Facebook conversion events.