新型治疗效应估计模型的消失实验研究

消失实验对于理解复杂模型中各个组成部分的贡献至关重要，但在非参数化治疗效应估计中，其应用仍有限。本文强调了消失实验的重要性，通过考察贝叶斯因果森林（Bayesian Causal Forest, BCF）模型，特别是包含估计倾向得分$\hat{\pi}(x_i)$的作用，该倾向得分旨在缓解正则化引起的混淆（regularization-induced confounding, RIC）。通过对总计九个合成数据的部分消失实验，我们展示了排除$\hat{\pi}(x_i)$并不会降低模型在估计平均因果效应和条件平均因果效应方面的性能，亦不会影响不确定性量化。此外，省略$\hat{\pi}(x_i)$可将计算时间缩短约21%。这些发现可能表明，BCF模型的内在灵活性足以在不显式包含倾向得分的情况下调整混淆。该研究主张在治疗效应估计中常规使用消失实验，以确保模型组件是必需的，并防止不必要的复杂性。