贝叶斯半参数因果推断：治疗效应的定向双鲁棒估计

我们提出了一种用于从具有高维 nuisance 参数的观察数据中估计平均处理效应（ATE）的半参数贝叶斯方法，基于潜在结果框架。该方法引入了贝叶斯去偏程序，用于纠正由 nuisance 估计引起的偏差，并采用基于摘要统计量的定向建模策略，而非完整数据。这些摘要统计量以去偏方式被识别，使我们能够通过加权可观测量估计 nuisance 偏差，并促进对 ATE 的层次学习。通过将去偏与样本分割相结合，我们的方法将 nuisance 估计与目标参数的推断分离，减少了对 nuisance 模型指定的敏感性。我们在 mild 条件下证明，若两个 nuisance 模型都正确指定，则 ATE 的边际后验满足 Bernstein-von Mises 定理；即使只有一个正确指定，也保持一致性和鲁棒性，实现贝叶斯双鲁棒性。这确保了渐近效率和频繁学派有效性。大量仿真实验确认了理论结果，证明即使在高维情形下，点估计和可信区间也能准确且覆盖率达到名义水平。该提出框架还可以扩展到其他因果 estimand，其关键原则为贝叶斯半参数推断的更广泛发展提供了基础。