GPMatch：一种以高斯过程协方差函数为匹配工具的贝叶斯双重稳健因果推断方法
统计方法学
2019-03-18 v2
摘要
在相对较弱的因果假设下，于全贝叶斯框架内的 GPMatch 中，提出将高斯过程（GP）协方差函数作为匹配工具。该匹配通过利用 GP 先验协方差函数定义匹配距离来实现。我们证明 GPMatch 提供了平均处理效应（ATE）的双重稳健估计，类似于 G 估计，当满足以下任一条件时 ATE 可被正确估计：1）GP 均值函数正确设定了潜在结果 ；或 2）GP 协方差函数正确设定了匹配结构。我们在不假设任何已知匹配结构或结果函数形式的情况下进行了模拟研究。结果表明，GPMatch 具有良好的校准频率性质，并且优于许多广泛使用的方法，包括贝叶斯加性回归树。该案例研究利用从电子病历中提取的数据，比较了早期积极使用生物制剂药物治疗新确诊幼年特发性关节炎患儿的疗效。
引用
@article{arxiv.1901.10359,
title = {GPMatch: A Bayesian Doubly Robust Approach to Causal Inference with Gaussian Process Covariance Function As a Matching Tool},
author = {Bin Huang and Chen Chen and Jinzhong Liu},
journal= {arXiv preprint arXiv:1901.10359},
year = {2019}
}