General Bayesian inference for causal effects using covariate balancing procedure
利用协变量平衡程序进行因果效应的一般贝叶斯推断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：摘要以观察研究的因果效应为目标，明确使用倾向得分、逆概率加权与协变量平衡，因此直接属于因果推断方法。
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…
利用协变量平衡程序进行因果效应的一般贝叶斯推断
- 研究问题
- 观察研究中倾向得分模型误设可能使逆概率加权估计产生偏误，如何结合协变量平衡与一般贝叶斯方法处理参数不确定性？
- 方法与思路
- 作者将倾向得分及逆概率加权估计表示为损失函数的解，使用无需完整似然的一般贝叶斯框架，并以模拟和 Whitehall 数据评估。
- 材料陈述的贡献
- 摘要称，所提方法以概率方式处理参数，仅需通常因果推断层面的假设，并在模拟中取得与部分既有方法相当或更好的结果。
- 阅读关注点
- 应核对平衡条件和损失函数的形式、一般贝叶斯更新的尺度选择，以及模型误设下偏误控制与不确定性区间的解释。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未获验证；摘要未说明通常假设的具体内容、误设稳健性条件或模拟比较的数值。
原文摘要
In observational studies, the propensity score plays a central role in estimating causal effects of interest. The inverse probability weighting (IPW) estimator is commonly used for this purpose. However, if the propensity score model is misspecified, the IPW estimator may produce biased estimates of causal effects. Previous studies have proposed some robust propensity score estimation procedures. However, these methods require considering parameters that dominate the uncertainty of sampling and treatment allocation. This study proposes a novel Bayesian estimating procedure that necessitates probabilistically deciding the parameter, rather than deterministically. Since the IPW estimator and propensity score estimator can be derived as solutions to certain loss functions, the general Bayesian paradigm, which does not require the considering the full likelihood, can be applied. Therefore, our proposed method only requires the same level of assumptions as ordinary causal inference contexts. The proposed Bayesian method demonstrates equal or superior results compared to some previous methods in simulation experimentss, and is also applied to real data, namely the Whitehall dataset.