聚合贝叶斯因果森林：用于层次结构数据的灵活因果推断的ABC
统计方法学
2024-07-10 v1
摘要
本文引入聚合贝叶斯因果森林（aggregate Bayesian Causal Forests, aBCF），一种新的贝叶斯模型，用于聚合数据的因果推断。聚合数据在政策评估中常见，我们观察的是个体（如学生），但干预的参与是由更高层次的聚合单元（如实施课程的学校）决定的。干预往往涉及数百万个个体，但更高层次的单元数量远少于个体，这使得聚合计算具有吸引力。要分析聚合数据，模型必须考虑异方差和类内相关性（intraclass correlation, ICC）。类似于贝叶斯因果森林（Bayesian Causal Forests, BCF），aBCF在最少的参数假设下估计异质处理效应，但考虑了这些聚合数据的特征，提高了对平均效应和聚合单元特定效应的估计。本文介绍aBCF模型后，通过仿真演示aBCF在聚合数据上优于BCF。我们的仿真基于对大规模 Medicare 初级护理模型的评估。我们展示，aBCF产生的处理效应估计具有较低的均方根误差和较窄的不确定性区间，同时实现与BCF相同的覆盖水平。我们指出，aBCF对所使用的先验分布不敏感，与BCF相比，估计改进随着ICC接近1而减小。代码已公开可访问：https://github.com/mathematica-mpr/bcf-1。
引用
@article{arxiv.2407.07067,
title = {Aggregate Bayesian Causal Forests: The ABCs of Flexible Causal Inference for Hierarchically Structured Data},
author = {Dan R. C. Thal and Lauren V. Forrow and Erin R. Lipman and Jennifer E. Starling and Mariel M. Finucane},
journal= {arXiv preprint arXiv:2407.07067},
year = {2024}
}