用于 CATE 估计的 K 折因果 BART
机器学习
2024-09-10 v1 机器学习
摘要
本研究旨在提出并评估一种名为 K 折因果贝叶斯加性回归树 (K-Fold Causal BART) 的新模型，以改进平均处理效应 (ATE) 和条件平均处理效应 (CATE) 的估计。该研究采用合成和半合成数据集，包括广泛认可的婴儿健康与发展计划 (IHDP) 基准数据集，来验证模型的性能。尽管在合成场景中取得了有希望的结果，但 IHDP 数据集显示，所提出的模型在 ATE 和 CATE 估计方面并非最先进的。尽管如此，该研究提供了几个新颖的见解：1. ps-BART 模型可能是 CATE 和 ATE 估计的首选，因为与其他基准模型（包括被许多人认为是当前 CATE 估计最佳模型的贝叶斯因果森林 (BCF) 模型）相比，它具有更好的泛化能力；2. 随着处理效应异质性的增加，BCF 模型的性能显著恶化，而 ps-BART 模型保持稳健；3. 当处理效应异质性较低时，模型倾向于对 CATE 不确定性量化过于自信；4. 在 CATE 估计中，第二种 K-Fold 方法对于避免过拟合是不必要的，因为它增加了计算成本而没有提高性能；5. 详细分析揭示了理解数据集特性和使用细致评估方法的重要性；6. Curth 等人 (2021) 关于间接策略在 IHDP 数据集上对 CATE 估计更优的结论与本研究的结论相矛盾。这些发现挑战了现有假设，并为未来研究改进因果推断方法指明了方向。
引用
@article{arxiv.2409.05665,
title = {K-Fold Causal BART for CATE Estimation},
author = {Hugo Gobato Souto and Francisco Louzada Neto},
journal= {arXiv preprint arXiv:2409.05665},
year = {2024}
}