Local Gaussian process extrapolation for BART models with applications to causal inference
BART 模型的局部高斯过程外推及因果推断应用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：摘要明确应用于处理组与对照组协变量支持不重叠的因果推断，因此归入因果推断；一般样本外预测不等同于宏观预测。
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…
BART 模型的局部高斯过程外推及因果推断应用
- 研究问题
- 当预测点超出训练数据范围，或因果分析中的部分协变量区域只有处理组或对照组时，如何改善 BART 的外推与预测区间？
- 方法与思路
- 作者在 BART 叶节点接入高斯过程，用于观测范围外的预测，并与标准 BART 及近期基于重采样的预测推断方法比较。
- 材料陈述的贡献
- 摘要称，该外推策略用于处理组与对照组支持区域不重叠的因果问题，模拟表现优于包括 Jackknife+ 在内的所比较方法。
- 阅读关注点
- 应核对局部高斯过程的设定、外推区间如何构造，以及在支持不足区域估计因果效应需要哪些额外的模型限制。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已通过同行评审或获期刊接收；摘要未说明比较指标，外推改善不能据此证明无重叠区域的因果识别。
原文摘要
Bayesian additive regression trees (BART) is a semi-parametric regression model offering state-of-the-art performance on out-of-sample prediction. Despite this success, standard implementations of BART typically provide inaccurate prediction and overly narrow prediction intervals at points outside the range of the training data. This paper proposes a novel extrapolation strategy that grafts Gaussian processes to the leaf nodes in BART for predicting points outside the range of the observed data. The new method is compared to standard BART implementations and recent frequentist resampling-based methods for predictive inference. We apply the new approach to a challenging problem from causal inference, wherein for some regions of predictor space, only treated or untreated units are observed (but not both). In simulation studies, the new approach boasts superior performance compared to popular alternatives, such as Jackknife+.