Estimating Heterogeneous Causal Effects with Tree-Based Methods under Imperfect Compliance
不完全依从下利用树方法估计异质性因果效应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：摘要明确针对不完全依从、工具变量和条件依从者平均因果效应开展估计与亚组发现，直接对应因果推断。
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
不完全依从下利用树方法估计异质性因果效应
- 研究问题
- 处理存在不完全依从时，不同条件依从者平均因果效应估计方法如何影响亚组发现、异质性效应估计的准确性及计算成本？
- 方法与思路
- 作者提出两步、模型无关的框架，在第一步采用去偏转换结果回归森林或广义随机森林的工具变量改造，并与 BCF-IV 进行模拟比较。
- 材料陈述的贡献
- 摘要称两种非贝叶斯树方法在所考察模拟中表现具有竞争力且运行更快，较大样本和中等偏大的效应改善表现，并重访 ICU 入院应用。
- 阅读关注点
- 应核对工具变量及依从者效应的识别条件、两步亚组发现程序、去偏方式，以及模拟中的亚组真值、精度指标和运行时间比较。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未列出工具变量假设和具体效果，也未报告哪些 ICU 患者亚组确实受益。
原文摘要
We study the impact of conditional complier average causal effect (CCACE) estimation methods on the performance of subgroup discovery and heterogeneous causal effect estimation under imperfect compliance. Building on the Bayesian Causal Forest with Instrumental Variable (BCF-IV) (Bargagli-Stoffi et al. (2022)) method, we introduce a two-step, model-agnostic approach that allows any suitable machine learning method to be used for the CCACE estimation in the first step. Specifically, we implement two non-Bayesian tree-based methods, both using forest-based learners: DRRF-IV, a debiased transformed-outcome regression-forest approach, and a GRF-based IV adaptation of the generalized random forest framework (Athey et al., 2019). Through a simulation study, we assess the precision, bias, and the ability to correctly identify the underlying subgroup structure of the proposed methods relative to BCF-IV. The results show that the non-Bayesian methods perform competitively across the considered simulation settings, with performance improving for larger sample sizes and moderately large treatment effects, while reducing computational runtime. We apply our new methods by revisiting an empirical study that examines the effect of prompt admission to intensive care units (ICU) on 28-day mortality across 48 UK National Health Service hospitals. While previous work finds no significant overall treatment effect, we investigate whether subgroups of patients may benefit more from prompt ICU admission.