ScholarGate
Avustaja
Regression modelQuasi-experimental / causal inference

Bayesiläinen herkkyysanalyysi kausaliteetille

Bayesiläinen herkkyysanalyysi kausaliteetille kvantifioi, kuinka paljon mittaamattoman sekoittavan tekijän tulisi vaikuttaa sekä hoitovalintaan että lopputulokseen kumotakseen kausaalisen johtopäätöksen. Sen sijaan, että testattaisiin yhtä pahimman tapauksen skenaariota, se asettaa priorijakaumat piilevän sekoittumisen voimakkuudelle, levittää epävarmuutta täyden Bayesiläisen mallin läpi ja raportoi posteriorijakauman kausaaliselle vaikutukselle, joka heijastaa rehellisesti sitä, mikä havaituista tiedoista tunnistetaan ja mikä ei.

Avaa sovelluksessa MethodMindTulossaVideoTulossaDownload slides

Lue koko menetelmä

Vain jäsenille

Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.

Kirjaudu sisään

Method map

The neighbourhood of related methods — select a node to explore.

Lähteet

  1. McCandless, L. C., Gustafson, P., & Austin, P. C. (2007). Bayesian propensity score analysis for observational data. Statistics in Medicine, 26(8), 1704-1718. DOI: 10.1002/sim.3460
  2. Gustafson, P. (2015). Bayesian Inference for Partially Identified Models: Exploring the Limits of Limited Data. CRC Press / Chapman & Hall. ISBN: 9781439869390

Näin viittaat tähän sivuun

ScholarGate. (2026, June 3). Bayesian Sensitivity Analysis for Unmeasured Confounding in Causal Inference. ScholarGate. https://scholargate.app/fi/causal-inference/bayesian-sensitivity-analysis-for-causality

Which method?

Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.

Compare side by side
ScholarGateBayesian Sensitivity Analysis for Causality (Bayesian Sensitivity Analysis for Unmeasured Confounding in Causal Inference). Haettu 2026-06-15 osoitteesta https://scholargate.app/fi/causal-inference/bayesian-sensitivity-analysis-for-causality · Aineisto: https://doi.org/10.5281/zenodo.20539026