推进因果推断：连续处理效果的非参数 ATE 与 CATE 估计方法
机器学习
2024-09-11 v1 机器学习
应用统计
摘要
本文提出一种广义 ps-BART 模型，用于连续处理效果中的平均处理效应（ATE）和条件平均处理效应（CATE）估计，旨在解决贝叶斯因果森林（BCF）模型的局限性。ps-BART 模型的非参数特性使其能够灵活地捕捉处理变量与结果变量之间的非线性关系。在三个不同的数据生成过程（DGPs）中，ps-BART 模型 consistently 优于 BCF 模型，尤其在高度非线性情境下表现更为突出。ps-BART 模型在不确定性估计方面的鲁棒性以及在点估计和概率估计中的准确性，证明其在实际应用中的实用性。这一研究填补了因果推断文献中的关键空白，为更适合非线性处理-结果关系的工具提供了解决方案，为该领域持续的探索开辟了新的道路。
引用
@article{arxiv.2409.06593,
title = {Advancing Causal Inference: A Nonparametric Approach to ATE and CATE Estimation with Continuous Treatments},
author = {Hugo Gobato Souto and Francisco Louzada Neto},
journal= {arXiv preprint arXiv:2409.06593},
year = {2024}
}