Shrinkage Bayesian Causal Forest with Instrumental Variable
带工具变量的收缩贝叶斯因果森林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：摘要明确使用工具变量研究服从者平均因果效应及其子群异质性，直接对应因果推断。
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
带工具变量的收缩贝叶斯因果森林
- 研究问题
- 在不完全服从且大量协变量与效应无关时，如何发现可解释的服从者效应异质性子群，并稳定估计其因果效应？
- 方法与思路
- 作者对估计条件意向治疗效应与服从者比例的贝叶斯树分裂概率施加稀疏狄利克雷先验，再用后验分裂频率引导下游分类回归树。
- 材料陈述的贡献
- 摘要称，随着无关变量比例增加，新方法在模拟中比非稀疏前身更可靠地恢复真实分组，并在所考察情形中保持名义覆盖率。
- 阅读关注点
- 应核对工具变量识别条件、稀疏先验及服从者比例的稳定性，以及数据驱动分组后区间覆盖和应用子群解释的依据。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或接收；摘要未说明具体识别假设及模拟设定，不能将覆盖表现推广至所有高维情形。
原文摘要
Discovering interpretable subgroups whose complier effects deviate from the average is a central goal of instrumental variable analysis under imperfect compliance, yet existing tree-based methods degrade when most covariates are irrelevant to the effect. We propose Shrinkage Bayesian Causal Forest with Instrumental Variable (SBCF-IV) for discovering and estimating subgroups with heterogeneous Complier Average Causal Effects (CACE) in sparse high-dimensional settings. SBCF-IV places a sparsity-inducing Dirichlet prior on the splitting probabilities of the Bayesian Additive Regression Trees that estimate the conditional intention-to-treat and the complier share, concentrating posterior mass on the few covariates that moderate the complier effect and thereby regularizing effect estimation. The posterior split frequencies additionally enter a downstream CART as variable-level costs that steer the partition toward relevant moderators, providing an interpretable division of the covariate space. Monte Carlo experiments show that, as the share of irrelevant covariates grows, SBCF-IV recovers the true partition more reliably than its non-sparse predecessor BCF-IV at the tree and unit level, and retains nominal coverage where BCF-IV's intervals deteriorate. We apply the method to the Oregon Health Insurance Experiment and the 401(k) eligibility data.