Bayesian nonparametric mixtures of categorical directed graphs for heterogeneous causal inference
用于异质性因果推断的分类变量有向图贝叶斯非参数混合模型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：摘要以分类变量因果图刻画治疗与疾病关系，并明确估计个体层面异质性处理效应，直接属于因果推断而非离散选择。
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
用于异质性因果推断的分类变量有向图贝叶斯非参数混合模型
- 研究问题
- 如何在分类变量构成的因果系统中同时考虑风险因素与人群异质性，估计个体层面的处理效应，而非仅给出总体平均结果？
- 方法与思路
- 作者构建分类变量因果 DAG 的狄利克雷过程混合模型，将个体聚为共享结构和参数的群组，并通过贝叶斯后验计算个体层面效应。
- 材料陈述的贡献
- 摘要称方法可联合表示群组间因果结构、依赖参数和效应差异，提供后验计算策略，并通过模拟及乳腺癌患者心脏毒性数据应用评估。
- 阅读关注点
- 应核对混合模型下的因果识别条件、图结构与聚类的不确定性、个体效应的定义，以及后验计算和模拟如何评价效应恢复。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收状态未核实；摘要未说明混杂控制与图方向识别条件，后验个体效应的因果解释尚需核对。
原文摘要
Quantifying causal effects of exposures on outcomes, such as a treatment and a disease respectively, is a crucial issue in medical science for the administration of effective therapies. Importantly, any related causal analysis should account for all those variables, e.g. clinical features, that can act as risk factors involved in the occurrence of a disease. In addition, the selection of targeted strategies for therapy administration requires to quantify such treatment effects at personalized level rather than at population level. We address these issues by proposing a methodology based on categorical Directed Acyclic Graphs (DAGs) which provide an effective tool to infer causal relationships and causal effects between variables. In addition, we account for population heterogeneity by considering a Dirichlet Process mixture of categorical DAGs, which clusters individuals into homogeneous groups characterized by common causal structures, dependence parameters and causal effects. We develop computational strategies for Bayesian posterior inference, from which a battery of causal effects at subject-specific level is recovered. Our methodology is evaluated through simulations and applied to a dataset of breast cancer patients to investigate cardiotoxic side effects that can be induced by the administrated anticancer therapies.