Factorial Multivariate Bayesian Causal Forests: heterogeneous main and interaction effects of multiple treatments on correlated outcomes
析因多变量贝叶斯因果森林：多处理的异质主效应与交互效应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：摘要直接研究多个处理的异质因果主效应、交互效应与联合估计。
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
析因多变量贝叶斯因果森林：多处理的异质主效应与交互效应
- 研究问题
- 多个二元处理同时作用于多个相关结果时，如何联合估计主效应、交互效应及个体异质性，并保持不确定性表达一致？
- 方法与思路
- 作者将析因响应面分解为预后树与各效应树，使用相关多变量叶参数和统一抽样器，并提供识别分解与解释图。
- 材料陈述的贡献
- 摘要称模型统一多个特例，提供 R 软件及高效实现，并在模拟中报告平均效应偏差和覆盖表现，展示多个应用。
- 阅读关注点
- 应核对析因效应的编码、因果识别条件和交互截断，以及先验设定、联合不确定性与模拟误设范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；模拟中的无偏和稳健表述不等于普遍保证，摘要也指出未测混杂风险。
原文摘要
Many studies expose units to several binary treatments at once and record several correlated outcomes, yet analysts usually estimate one treatment's average effect on one outcome at a time -- discarding how treatments interact and how their effects vary across units. We introduce the factorial multivariate Bayesian causal forest, a Bayesian nonparametric model that decomposes the factorial response surface over the treatment lattice into a prognostic sum-of-trees plus one sum-of-trees per main or interaction effect, each with correlated multivariate leaf parameters, estimated jointly with coherent uncertainty. A single indicator-weighted kernel samples every component -- the prognostic term is the special case whose indicator is unity -- so the two-treatment model, the single-treatment multivariate causal forest, and a general order-r truncation are one and the same sampler. We give the ANOVA/Möbius identification of each estimand, an efficient Rcpp engine, and an interpretability layer using value-suppressing uncertainty maps. In simulations the average-effect estimators are unbiased with nominal coverage, consistent, and robust under misspecification, failing only under unmeasured confounding, which we flag. We illustrate the method on clinical, agricultural and economic data and on a deeper application to the NHANES survey. Software is provided as an R package.