Estimating Heterogeneous Causal Mediation Effects with Bayesian Decision Tree Ensembles
利用贝叶斯决策树集成估计异质性因果中介效应AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确估计异质性因果中介效应及条件平均直接、间接效应，支持因果推断，数据集名称不足以判断面板方法。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
利用贝叶斯决策树集成估计异质性因果中介效应
- 研究问题
- 如何同时刻画处理效应的异质性及其作用路径，并在估计随协变量变化的直接和间接效应时，减少线性结构方程估计的不稳定？
- 方法与思路
- 作者基于贝叶斯加性回归树建立变系数模型，以协变量相关系数乘积表示中介效应，并用经验数据、模拟及后验概括分析异质性。
- 材料陈述的贡献
- 摘要称，贝叶斯因果中介森林在所考察情形下比线性结构方程估计稳定，但会向同质性收缩；后验概括可用于识别子群和解释拟合。
- 阅读关注点
- 核对中介效应的因果识别条件、系数乘积表示适用范围，以及向同质性收缩对真实异质性的影响和子群后验概括的不确定性。
- 阅读边界
- 这是 arXiv 预印本，不能确认同行评审或期刊接收；摘要未列出中介识别假设及比较细节，估计稳定不意味着因果有效或偏差更小。
原文摘要
The causal inference literature has increasingly recognized that explicitly targeting treatment effect heterogeneity can lead to improved scientific understanding and policy recommendations. Towards the same ends, studying the causal pathway connecting the treatment to the outcome can be also useful. This paper addresses these problems in the context of \emph{causal mediation analysis}. We introduce a varying coefficient model based on Bayesian additive regression trees to identify and regularize heterogeneous causal mediation effects; analogously with linear structural equation models, these effects correspond to covariate-dependent products of coefficients. We show that, even on large datasets with few covariates, LSEMs can produce highly unstable estimates of the conditional average direct and indirect effects, while our \emph{Bayesian causal mediation forests} model produces estimates that are stable. We find that our approach is conservative, with effect estimates ``shrunk towards homogeneity.'' We examine the salient properties of our method using both data from the Medical Expenditure Panel Survey and empirically-grounded simulated data. Finally, we show how our model can be combined with posterior summarization strategies to identify interesting subgroups and interpret the model fit.