面向多变量结果的贝叶斯因果森林：来自国际大规模教育评估的爱尔兰数据应用
机器学习
2023-03-10 v1 机器学习
应用统计
摘要
贝叶斯因果森林（BCF）是一种基于称为贝叶斯加性回归树（BART）的高度灵活非参数回归与分类工具的因果推断机器学习模型。受国际数学与科学趋势研究（TIMSS）数据的启发——该数据包含学生在数学和科学两方面的成绩数据——我们提出了 BCF 算法的多变量扩展。借助模拟研究，我们表明我们的方法能够准确估计受同一处理影响的多个结果的因果效应。我们还将我们的模型应用于来自 TIMSS 2019 的爱尔兰数据。我们的发现揭示了在家中拥有书桌的积极影响（数学 ATE 95% CI：[0.20, 11.67]），同时也突出了经常在学校感到饥饿（数学 ATE 95% CI：[-11.15, -2.78]，科学 ATE 95% CI：[-10.82, -1.72]）或经常缺勤（数学 ATE 95% CI：[-12.47, -1.55]）的负面后果。
引用
@article{arxiv.2303.04874,
title = {Bayesian Causal Forests for Multivariate Outcomes: Application to Irish Data From an International Large Scale Education Assessment},
author = {Nathan McJames and Andrew Parnell and Yong Chen Goh and Ann O'Shea},
journal= {arXiv preprint arXiv:2303.04874},
year = {2023}
}
备注
26 pages, 6 figures