論文の概要: Bayesian Sensitivity of Causal Inference Estimators under Evidence-Based Priors

• arxiv url: http://arxiv.org/abs/2605.07993v1
• Date: Fri, 08 May 2026 16:50:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:39.216231
• Title: Bayesian Sensitivity of Causal Inference Estimators under Evidence-Based Priors
• Title（参考訳）: 証拠に基づく前提条件下における因果推定器のベイズ感度
• Authors: Nikita Dhawan, Daniel Shen, Leonardo Cotta, Chris J. Maddison,
• Abstract要約: 因果推論は、真のデータ生成プロセスに関する証明不可能な仮定に依存する。 我々は、新しい感度分析基準でs値フレームワークを拡張し、ベイズ感度値(Bayesian Sensitivity Value)を作成した。 本研究は,糖尿病治療が体重減少に及ぼす影響に関する観察的研究における適用性について述べる。
• 参考スコア（独自算出の注目度）: 18.804635963262736
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Causal inference, especially in observational studies, relies on untestable assumptions about the true data-generating process. Sensitivity analysis helps us determine how robust our conclusions are when we alter these underlying assumptions. Existing frameworks for sensitivity analysis are concerned with worst-case changes in assumptions. In this work, we argue that using such pessimistic criteria can often become uninformative or lead to conclusions contradicting our prior knowledge about the world. To demonstrate this claim, we generalize the recent s-value framework (Gupta & Rothenhäusler, 2023) to estimate the sensitivity of three different common assumptions in causal inference. Empirically, we find that, indeed, worst-case conclusions about sensitivity can rely on unrealistic changes in the data-generating process. To overcome this, we extend the s-value framework with a new sensitivity analysis criterion: Bayesian Sensitivity Value (BSV), which computes the expected sensitivity of an estimate to assumption violations under priors constructed from real-world evidence. We use Monte Carlo approximations to estimate this quantity and illustrate its applicability in an observational study on the effect of diabetes treatments on weight loss.
• Abstract（参考訳）: 因果推論は、特に観測研究において、真のデータ生成過程に関する証明不可能な仮定に依存している。 感度分析は、これらの基礎となる仮定を変更する際に、私たちの結論がどれほど堅牢かを決定するのに役立つ。 既存の感度分析フレームワークは、仮定の最悪の変更に関係している。 この研究において、このような悲観的基準を用いることは、しばしば非形式的になるか、あるいは世界に関する我々の以前の知識と矛盾する結論につながると論じる。 この主張を実証するために、最近のs値フレームワーク(Gupta & Rothenhäusler, 2023)を一般化し、因果推論における3つの異なる共通仮定の感度を推定する。 実証的に見れば、実際に、感度に関する最悪の結論は、データ生成プロセスにおける非現実的な変化に依存する可能性がある。 これを解決するために、実世界の証拠から構築された前提違反に対する推定値の予測感度を計算するベイズ感度値(BSV)という新しい感度分析基準でs値フレームワークを拡張した。 我々はモンテカルロ近似を用いてこの量を推定し、糖尿病治療が体重減少に与える影響に関する観察的研究においてその適用性を示す。

関連論文リスト

• Data Fusion for Partial Identification of Causal Effects [62.56890808004615]
  本稿では,研究者が重要な疑問に答えられるような,新しい部分的識別フレームワークを提案する。 因果効果は肯定的か否定的か? 本研究の枠組みをSTARプロジェクトに適用し,第3級の標準試験性能に対する教室規模の影響について検討する。
  論文  参考訳（メタデータ） (2025-05-30T07:13:01Z)
• Challenges and Considerations in the Evaluation of Bayesian Causal Discovery [49.0053848090947]
  因果発見の不確実性を表現することは、実験設計において重要な要素であり、より広く、安全で信頼性の高い因果決定のために重要である。 単一の推定因果グラフとモデルパラメータによる評価に依存する非ベイズ因果発見とは異なり、因果発見はその量の性質に起因する課題を提示する。 評価に最も適した指標についてのコンセンサスはない。
  論文  参考訳（メタデータ） (2024-06-05T12:45:23Z)
• A Neural Framework for Generalized Causal Sensitivity Analysis [78.71545648682705]
  本稿では,因果感受性分析のためのニューラルネットワークフレームワークであるNeuralCSAを提案する。 我々は、NeuralCSAが関心の因果クエリに有効な境界を推測できることを理論的に保証する。
  論文  参考訳（メタデータ） (2023-11-27T17:40:02Z)
• Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
  ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。 提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。 複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
  論文  参考訳（メタデータ） (2023-06-09T08:30:51Z)
• Sharp Bounds for Generalized Causal Sensitivity Analysis [30.77874108094485]
  観測不能なコンバウンディング下での因果感度解析のための統一的な枠組みを提案する。 これには、(条件付き)平均治療効果、媒介分析および経路分析に対する効果、分布効果が含まれる。 我々の(条件付き)平均治療効果の限界は、因果感受性分析の最近の最適結果と一致する。
  論文  参考訳（メタデータ） (2023-05-26T14:44:32Z)
• Excess risk analysis for epistemic uncertainty with application to variational inference [110.4676591819618]
  我々は、未知の分布からデータが生成される頻繁なセッティングにおいて、新しいEU分析を提示する。 一般化能力と、予測分布の分散やエントロピーなど、広く使用されているEUの測定値との関係を示す。 本研究では,PAC-ベイジアン理論に基づく予測とEU評価性能を直接制御する新しい変分推論を提案する。
  論文  参考訳（メタデータ） (2022-06-02T12:12:24Z)
• Partial Identification of Dose Responses with Hidden Confounders [25.468473751289036]
  観測データから連続的に評価された治療の因果効果を推定することが重要な課題である。 本稿では, 平均および条件付き平均連続値処理効果推定値の両方を束縛する新しい手法を提案する。 本手法を実世界の観測ケーススタディに適用し,線量依存因果効果の同定の価値を実証する。
  論文  参考訳（メタデータ） (2022-04-24T07:02:21Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。