Semiparametric Bayesian Estimation for Marginal Parametric Potential Outcome Modeling: Application to Causal Inference
边际参数化潜在结果模型的半参数贝叶斯因果估计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。
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：摘要明确研究潜在结果、处理分配与因果效应估计，直接对应因果推断。
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
边际参数化潜在结果模型的半参数贝叶斯因果估计
- 研究问题
- 当处理分配依赖潜在结果、强可忽略性不成立时，如何直接估计潜在结果边际参数模型，并减少对联合分布形式的依赖？
- 方法与思路
- 作者采用 probit 棍折过程混合模型，直接估计潜在结果的边际参数，并对处理分配模型及协变量条件分布放松参数化限制。
- 材料陈述的贡献
- 摘要称，该方法相较最大似然减少完整联合分布知识需求，相较完全非参数贝叶斯更有效率，并展示工资与网站行为应用。
- 阅读关注点
- 应重点核对放松强可忽略性后依赖哪些识别限制、先验承担何种作用，以及稳健性和效率比较所针对的模型与指标。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；摘要未说明替代识别条件，不能据此认定任意未观测混杂均可处理。
原文摘要
We propose a new semiparametric Bayesian model for causal inference in which assignment to treatment depends on potential outcomes. The model uses the probit stick-breaking process mixture proposed by Chung and Dunson (Citation2009), a variant of the Dirichlet process mixture modeling. In contrast to previous Bayesian models, the proposed model directly estimates the parameters of the marginal parametric model of potential outcomes, while it relaxes the strong ignorability assumption, and requires no parametric model assumption for the assignment model and conditional distribution of the covariate vector. The proposed estimation method is more robust than maximum likelihood estimation, in that it does not require knowledge of the full joint distribution of potential outcomes, covariates, and assignments. In addition, the method is more efficient than fully nonparametric Bayes methods. We apply this model to infer the differential effects of cognitive and noncognitive skills on the wages of production and nonproduction workers using panel data from the National Longitudinal Survey of Youth in 1979. The study also presents the causal effect of online word-of-mouth on Web site browsing behavior. Supplementary materials for this article are available online.