A Bayesian Additive Regression Tree Model for Learning Conditional Average Treatment Effects in Regression Discontinuity Designs
利用贝叶斯加性回归树估计断点回归中的条件平均处理效应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：摘要明确以断点回归这一准实验设计识别和估计条件平均处理效应，因此最直接对应因果推断方向。
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…
利用贝叶斯加性回归树估计断点回归中的条件平均处理效应
- 研究问题
- 如何在断点回归设计中估计阈值附近随协变量变化的条件平均处理效应，同时减少对预先指定基函数的依赖？
- 方法与思路
- 作者改造贝叶斯加性回归树，在叶节点对运行变量、处理指示及其交互项作线性回归，并自适应划分协变量空间。
- 材料陈述的贡献
- 摘要称模型无需预设已知基函数展开，可识别运行变量斜率不同的区域，并提供阈值附近异质效应的贝叶斯推断。
- 阅读关注点
- 应核对断点处效应的识别条件、阈值邻域选择、树模型与先验设定，以及叶节点线性近似如何影响后验推断。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未说明识别假设、后验有效性条件或具体比较结果。
原文摘要
This paper develops an effective Bayesian approach to conditional average treatment effect (CATE) estimation in regression discontinuity designs (RDD), an increasingly prevalent form of quasi-experiment that facilitates causal inference. Earlier Bayesian approaches do not easily accommodate CATE estimation while recent frequentist approaches to this problem assume a known basis expansion, a steep model specification requirement that our approach avoids. The new model is a variant of a Bayesian additive regression tree (BART) model with linear leaf-level regressions on the running variable and a treatment dummy (and their interaction). The model adaptively partitions covariate space into regions where the slope on the running variable appreciably differs, providing interpretable Bayesian inference on conditional average treatment effects near the cutoff.