Causal inference under mis-specification: adjustment based on the propensity score
模型误设下的因果推断：基于倾向得分的调整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：摘要研究基于倾向得分调整的因果推断及模型误设下的推断策略。
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…
模型误设下的因果推断：基于倾向得分的调整
- 研究问题
- 在倾向得分回归可能误设时，如何构造具有完整贝叶斯解释的因果推断，减少对正确参数化及分布假设的依赖？
- 方法与思路
- 作者从决策理论出发，以损失最小化构建推断，并提出基于贝叶斯Bootstrap的计算方法来处理模型误设情形。
- 材料陈述的贡献
- 摘要称，损失最小化能够支持有效且完整贝叶斯的推断，所提计算方法兼具良好的贝叶斯和频率学派性质。
- 阅读关注点
- 应核对损失函数、因果目标量与倾向得分调整方式，以及误设下有效性的定义和贝叶斯Bootstrap所需条件。
- 阅读边界
- 这是arXiv预印本，同行评审及接收未核验。摘要未明确允许的误设类型或有效性指标，不能认定方法对任意误设均稳健。
原文摘要
We study Bayesian approaches to causal inference via propensity score regression. Much of the Bayesian literature on propensity score methods have relied on approaches that cannot be viewed as fully Bayesian in the context of conventional `likelihood times prior' posterior inference; in addition, most methods rely on parametric and distributional assumptions, and presumed correct specification. We emphasize that causal inference is typically carried out in settings of mis-specification, and develop strategies for fully Bayesian inference that reflect this. We focus on methods based on decision-theoretic arguments, and show how inference based on loss-minimization can give valid and fully Bayesian inference. We propose a computational approach to inference based on the Bayesian bootstrap which has good Bayesian and frequentist properties.