Bayesian Causal Inference in Sequentially Randomized Experiments with Noncompliance
存在不依从的序贯随机实验中的贝叶斯因果推断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：摘要聚焦随机实验不依从条件下的处理效应估计，直接属于实验设计相关的因果推断。
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
存在不依从的序贯随机实验中的贝叶斯因果推断
- 研究问题
- 当实验干预按阶段随机分配、实验单位却可能不遵循分配方案时，如何估计序贯实验中的样本平均处理效应？
- 方法与思路
- 作者提出潜在混合贝叶斯框架处理序贯实验的不依从，作为按方案、按实际处理和意向处理分析之外的建模方案。
- 材料陈述的贡献
- 摘要明确提出面向序贯不依从问题的处理效应估计框架；关于现有研究较少的判断属于作者对文献的陈述。
- 阅读关注点
- 应核对样本平均处理效应的具体定义、潜在类别设定、随机化与不依从信息如何进入模型，以及识别与先验敏感性。
- 阅读边界
- 这是预印本，不能据此确认同行评审或期刊接收；摘要未说明识别条件、计算算法或验证结果，不能判断方法优越性。
原文摘要
Scientific researchers utilize randomized experiments to draw casual statements. Most early studies as well as current work on experiments with sequential intervention decisions has been focusing on estimating the causal effects among sequential treatments, ignoring the non-compliance issues that experimental units might not be compliant with the treatment assignments that they were originally allocated. A series of methodologies have been developed to address the non-compliance issues in randomized experiments with time-fixed treatment. However, to our best knowledge, there is little literature studies on the non-compliance issues in sequential experiments settings. In this paper, we go beyond the traditional methods using per-protocol, as-treated, or intention-to-treat analysis and propose a latent mixture Bayesian framework to estimate the sample-average treatment effect in sequential experiment having non-compliance concerns.