Bayesian Inference for Confounding Variables and Limited Information
混杂变量与有限信息下的贝叶斯推断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：摘要直接讨论处理与结果之间的混杂、可忽略性假设及潜在混杂对推断的影响，因此归入因果推断。
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
混杂变量与有限信息下的贝叶斯推断
- 研究问题
- 当观测关联可能受到潜在混杂影响、已有信息又不完整时，如何构建能够反映这些不确定性的贝叶斯推断？
- 方法与思路
- 作者在允许潜在混杂和部分信息的假设空间上引入偏好高熵的先验，并通过辛普森悖论讨论所得后验分布。
- 材料陈述的贡献
- 摘要称，该框架能形成逻辑一致的后验分布，并在存在潜在混杂时扩大可信区间，为预测推断提供信息论基础。
- 阅读关注点
- 应核对假设空间如何构造、高熵先验如何定义，以及可信区间扩大来自哪些建模选择、能否对应目标因果量。
- 阅读边界
- 这是预印本，同行评审或期刊接收未核实；摘要未说明具体识别条件，允许潜在混杂本身也不足以证明因果识别。
原文摘要
A central challenge in statistical inference is the presence of confounding variables that may distort observed associations between treatment and outcome. Conventional "causal" methods, grounded in assumptions such as ignorability, exclude the possibility of unobserved confounders, leading to posterior inferences that overstate certainty. We develop a Bayesian framework that relaxes these assumptions by introducing entropy-favoring priors over hypothesis spaces that explicitly allow for latent confounding variables and partial information. Using the case of Simpson's paradox, we demonstrate how this approach produces logically consistent posterior distributions that widen credibly intervals in the presence of potential confounding. Our method provides a generalizable, information-theoretic foundation for more robust predictive inference in observational sciences.