Graph-Split Bayesian Causal Forest for Spatial Heterogeneous Treatment Effect Estimation
图分割贝叶斯因果森林：空间异质性处理效应估计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：摘要核心为异质性处理效应与空间混杂下的因果推断，属因果推断；其图分割与空间依赖建模涉及网络与干扰结构，故同时归入网络与干扰。
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
图分割贝叶斯因果森林：空间异质性处理效应估计
- 研究问题
- 摘要称，在空间观察性研究中，处理分配与结果常存在空间依赖，处理效应可能因可测与不可测的空间结构混杂而在空间和子群体间变化；核心问题是在考虑空间依赖的同时估计异质性处理效应。
- 方法与思路
- 作者提出图分割贝叶斯因果森林（GSBCF），将图分割贝叶斯加性回归树（GS-BART）与贝叶斯因果森林倾向得分回归框架结合，通过图引导的分割规则在预后函数与异质性处理效应函数的树模型中处理空间混杂，并设计信息性提议抽样算法进行后验计算。
- 材料陈述的贡献
- 摘要称该方法可对空间条件平均处理效应函数做完全贝叶斯推断，并通过模拟与一个真实数据研究显示，相较既有因果 BART 方法在估计精度与不确定性量化上有明显改进。
- 阅读关注点
- 阅读全文时应核对：图结构与空间依赖的具体设定、空间混杂的识别假设、倾向得分与结果模型的耦合方式、信息性提议抽样的收敛与计算成本，以及模拟设计和真实数据中比较基准与评价指标。
- 阅读边界
- 仅凭摘要无法判断识别假设是否成立、估计量的一致性条件、模拟覆盖范围与真实数据的外部效度；摘要中的改进幅度与不确定性量化表现未经独立验证。该文为 arXiv 预印本，同行评审状态未确认，不应据此声称已被期刊接收。
原文摘要
In spatial observational studies, treatment assignment and outcomes often exhibit spatial dependence patterns, and treatment effects may vary across space and subpopulations due to both measured and unmeasured spatially structured confounders. Accounting for spatial dependence while estimating heterogeneous treatment effects (HTEs) is a central task in spatial causal inference. Causal Bayesian additive regression tree methods are popular nonparametric methods for modeling and estimating HTEs. Despite their flexibility and uncertainty quantification, the axis-aligned split rules often adopted in these models are not suitable for modeling spatial structures. We propose a spatial structure-aware Bayesian nonparametric method, called Graph-Split Bayesian Causal Forest (GSBCF), that integrates graph-split Bayesian additive regression trees (GS-BART) with the Bayesian causal forest propensity-score regression framework for spatial heterogeneous causal inference. Spatial confounding is accommodated through graph-guided split rules in modeling decision trees of the prognostic and HTE functions. We develop an efficient informed proposal sampling algorithm for posterior computation, enabling full Bayesian inference of the spatial conditional average treatment effect function. Simulations and a real data study demonstrate substantially improved estimation accuracy and uncertainty quantification over existing causal BART methods.