贝叶斯因果森林与 2022 年 ACIC 数据挑战：可扩展性与敏感性
应用统计
2023-05-15 v2
摘要
我们展示了如何将 Hahn 等人的贝叶斯因果森林模型（BCF）用于估计 2022 年美国因果推断会议数据挑战中纵向数据集的条件平均处理效应。遗憾的是，BCF 的现有实现无法扩展到挑战数据的规模。因此，我们开发了 flexBCF——一种更具可扩展性与灵活性的 BCF 实现——并在挑战提交中使用它。我们研究了结果对倾向得分估计方法选择以及使用稀疏诱导回归树先验的敏感性。虽然我们发现总体点预测对这些建模选择并不特别敏感，但确实观察到以灵活估计的倾向得分运行 BCF 常能产生校准更好的不确定性区间。
引用
@article{arxiv.2211.02020,
title = {Bayesian Causal Forests & the 2022 ACIC Data Challenge: Scalability and Sensitivity},
author = {Ajinkya H. Kokandakar and Hyunseung Kang and Sameer K. Deshpande},
journal= {arXiv preprint arXiv:2211.02020},
year = {2023}
}