Байєсівський аналіз чутливості для причинно-наслідкових зв'язків
Байєсівський аналіз чутливості для причинно-наслідкових зв'язків кількісно визначає, наскільки неврахований змішувальний фактор повинен впливати як на призначення лікування, так і на результат, щоб спростувати причинно-наслідковий висновок. Замість тестування одного найгіршого сценарію, він розміщує апріорні розподіли щодо сили прихованого змішування, поширює невизначеність через повну байєсівську модель і повідомляє про апостеріорний розподіл причинно-наслідкового ефекту, який чесно відображає те, що ідентифіковано, а що ні, з спостережуваних даних.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Карта методів
Околиця споріднених методів — виберіть вузол, щоб дослідити.
Джерела
- 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 ↗
- Gustafson, P. (2015). Bayesian Inference for Partially Identified Models: Exploring the Limits of Limited Data. CRC Press / Chapman & Hall. ISBN: 9781439869390
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Bayesian Sensitivity Analysis for Unmeasured Confounding in Causal Inference. ScholarGate. https://scholargate.app/uk/causal-inference/bayesian-sensitivity-analysis-for-causality
Який метод?
Поставте цей метод поруч із його найближчими спорідненими й читайте їх пліч-о-пліч — бібліотека викладає книги на стіл; вибір за вами.
- Байєсівський метод різниць на різниціПричинно-наслідковий висновок↔ порівняти
- Подвійне робастне оцінювання (AIPW)Причинно-наслідковий висновок↔ порівняти
- Метод інструментальних змінних (ІЗ) для причинно-наслідкового висновкуЕкономіка охорони здоров'я↔ порівняти
- Маргінальна структурна модель (MSM)Причинно-наслідковий висновок↔ порівняти
- Зіставлення за показником схильностіСтатистика досліджень↔ порівняти
- Чуттєвий аналіз причинностіПричинно-наслідковий висновок↔ порівняти
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →