Bayesian Nonparametric Trees for Principal Causal Effects
用于主分层因果效应的贝叶斯非参数树模型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：摘要明确研究主分层内的处理效应异质性，并应用于排放控制技术的因果效应分析，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
用于主分层因果效应的贝叶斯非参数树模型
- 研究问题
- 当中间变量连续且基本主分层有无限多个时，如何灵活估计主结局的处理效应，并刻画效应随主分层变化的异质性？
- 方法与思路
- 作者使用贝叶斯因果森林，同时建立主分层归属与给定主分层的结局两套加性回归树模型，并以模拟及电厂排放控制应用展示方法。
- 材料陈述的贡献
- 摘要称，该方法可灵活描述连续主分层上的效应异质性，并讨论针对性选择与正则化诱导混杂；应用分析污染效应与二氧化硫变化的关系。
- 阅读关注点
- 应核对主分层涉及的潜在中间结果联合分布如何识别、树模型和先验如何设定，以及未观测分层的不确定性和敏感性分析。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实；摘要未说明主分层识别条件或具体应用结果，灵活建模本身不能保证因果识别。
原文摘要
Principal stratification analysis evaluates how causal effects of a treatment on a primary outcome vary across strata of units defined by their treatment effect on some intermediate quantity. This endeavor is substantially challenged when the intermediate variable is continuously scaled and there are infinitely many basic principal strata. We employ a Bayesian nonparametric approach to flexibly evaluate treatment effects across flexibly-modeled principal strata. The approach uses Bayesian Causal Forests (BCF) to simultaneously specify two Bayesian Additive Regression Tree models; one for the principal stratum membership and one for the outcome, conditional on principal strata. We show how the capability of BCF for capturing treatment effect heterogeneity is particularly relevant for assessing how treatment effects vary across the surface defined by continuously-scaled principal strata, in addition to other benefits relating to targeted selection and regularization-induced confounding. The capabilities of the proposed approach are illustrated with a simulation study, and the methodology is deployed to investigate how causal effects of power plant emissions control technologies on ambient particulate pollution vary as a function of the technologies' impact on sulfur dioxide emissions.