Modified BART for Learning Heterogeneous Effects in Regression Discontinuity Designs
用于学习断点回归异质性效应的改进 BARTAI 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：摘要直接研究断点回归设计中阈值处的处理效应及条件平均处理效应，因此归入因果推断方向。
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…
用于学习断点回归异质性效应的改进 BART
- 研究问题
- 如何利用树模型学习断点回归中阈值处的平均及条件平均处理效应，并避免普通 BART 在该设计中的估计问题？
- 方法与思路
- 作者提出 BART-RDD，通过新的回归树先验约束分裂过程，使运行变量阈值附近的窄带内保持处理组与对照组重叠。
- 材料陈述的贡献
- 摘要报告改进模型在模拟中更准确地恢复阈值效应，并用于学习条件平均处理效应及分析学业警告对后续表现的影响。
- 阅读关注点
- 应核对窄带与重叠约束的具体定义、断点识别条件、异质性估计目标，以及模拟比较和不确定性评估的设置。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未给出具体误差指标，也不足以确认首创性或普遍优势。
原文摘要
This paper introduces BART-RDD, a sum-of-trees regression model built around a novel regression tree prior, which incorporates the special covariate structure of regression discontinuity designs. Specifically, the tree splitting process is constrained to ensure overlap within a narrow band surrounding the running variable cutoff value, where the treatment effect is identified. It is shown that unmodified BART-based models estimate RDD treatment effects poorly, while our modified model accurately recovers treatment effects at the cutoff. Specifically, BART-RDD is perhaps the first RDD method that effectively learns conditional average treatment effects. The new method is investigated in thorough simulation studies as well as an empirical application looking at the effect of academic probation on student performance in subsequent terms (Lindo et al., 2010).