Gaussian Processes for Observational Dose-Response Inference
用于观察性剂量—反应推断的高斯过程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：摘要明确研究观察性数据中的平均剂量—反应函数与处理效应推断。
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
用于观察性剂量—反应推断的高斯过程
- 研究问题
- 如何在观察性数据中估计平均剂量—反应函数，同时传递倾向得分估计的不确定性，并缓解正则化引起的混杂问题？
- 方法与思路
- 作者将倾向得分高斯过程后验样本纳入响应高斯过程，使用 Girard 方法积分训练输入的不确定性，并以核均值嵌入解释核的正定性。
- 材料陈述的贡献
- 摘要称该方法具有双重稳健性，并分析和缓解正则化诱发的混杂；实验报告剂量—反应函数覆盖与偏差改善，以及较低的误设敏感性。
- 阅读关注点
- 应核对观察性剂量效应的识别条件、倾向得分不确定性的传播方式，以及双重稳健性和混杂缓解结论所需的具体假设。
- 阅读边界
- 这是 arXiv 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、覆盖指标的定义或改善幅度，不能认定普遍优于其他方法。
原文摘要
We adapt Gaussian processes for estimating the average dose-response function in observational settings, introducing a powerful complement to treatment effect estimation for understanding heterogeneous effects. We incorporate samples from a Gaussian process posterior for the propensity score into a Gaussian process response model using Girard's approach to integrating over uncertainty in training data. We show Girard's method admits a positive-definite kernel, and provide theoretical justification by identifying it with an inner product of kernel mean embeddings. We demonstrate double robustness of our approach under a misspecified response function or propensity score. We characterize and mitigate regularization-induced confounding in Gaussian process response models. We show improvement over other methods for average dose-response function estimation in terms of coverage of the dose-response function and estimation bias, with less sensitivity to misspecification across experiments.