Aggregate Bayesian Causal Forests: The ABCs of Flexible Causal Inference for Hierarchically Structured Data
聚合贝叶斯因果森林：分层数据的灵活因果推断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：摘要直接提出用于分层聚合数据的因果森林，估计平均与异质性处理效应。
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…
聚合贝叶斯因果森林：分层数据的灵活因果推断
- 研究问题
- 当干预在学校等较高层级实施、分析采用聚合数据时，如何同时处理异方差与组内相关，并估计平均及聚合单位的异质性处理效应？
- 方法与思路
- 作者在贝叶斯因果森林基础上提出聚合模型，纳入聚合数据的异方差和组内相关结构，并用以医疗政策评估为背景的模拟比较表现。
- 材料陈述的贡献
- 摘要称，相比原模型，新方法在模拟中降低处理效应估计的均方根误差，并在覆盖率相同的情况下缩窄区间；优势随组内相关趋近一而减弱。
- 阅读关注点
- 应核对聚合层级与目标效应的对应关系、异方差和组内相关的建模、混杂调整条件，以及先验敏感性与区间覆盖率的比较设计。
- 阅读边界
- 这是预印本，同行评审及期刊接收未核实。摘要未说明完整因果识别条件，所述改进主要来自模拟，不能据此保证实际政策估计无偏。
原文摘要
This paper introduces aggregate Bayesian Causal Forests (aBCF), a new Bayesian model for causal inference using aggregated data. Aggregated data are common in policy evaluations where we observe individuals such as students, but participation in an intervention is determined at a higher level of aggregation, such as schools implementing a curriculum. Interventions often have millions of individuals but far fewer higher-level units, making aggregation computationally attractive. To analyze aggregated data, a model must account for heteroskedasticity and intraclass correlation (ICC). Like Bayesian Causal Forests (BCF), aBCF estimates heterogeneous treatment effects with minimal parametric assumptions, but accounts for these aggregated data features, improving estimation of average and aggregate unit-specific effects. After introducing the aBCF model, we demonstrate via simulation that aBCF improves performance for aggregated data over BCF. We anchor our simulation on an evaluation of a large-scale Medicare primary care model. We demonstrate that aBCF produces treatment effect estimates with a lower root mean squared error and narrower uncertainty intervals while achieving the same level of coverage. We show that aBCF is not sensitive to the prior distribution used and that estimation improvements relative to BCF decline as the ICC approaches one. Code is available at https://github.com/mathematica-mpr/bcf-1.