Uncertainty Quantification in Heterogeneous Treatment Effect Estimation with Gaussian-Process-Based Partially Linear Model
基于高斯过程部分线性模型的异质性处理效应不确定性量化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：摘要明确研究异质性处理效应估计及其贝叶斯不确定性量化，属于因果推断。
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
基于高斯过程部分线性模型的异质性处理效应不确定性量化
- 研究问题
- 样本较小时，如何在估计个体间异质性处理效应的同时可靠量化不确定性，并利用已有处理效应知识辅助估计？
- 方法与思路
- 作者在部分线性模型的非参数成分上设置高斯过程先验，建立贝叶斯推断框架，解析计算处理效应后验并分析后验集中。
- 材料陈述的贡献
- 摘要称，方法避免计算繁重的后验近似，允许纳入先验知识，并在实验中展示小样本异质性效应估计和不确定性量化能力。
- 阅读关注点
- 阅读时应核对处理效应的识别条件、先验与模型设定、后验集中结论的具体对象，以及小样本区间校准对先验的敏感性。
- 阅读边界
- 本条依据 arXiv 预印本摘要，同行评审与接收未核实；摘要未说明集中条件及区间覆盖结果，渐近集中不自动保证小样本可靠性。
原文摘要
Estimating heterogeneous treatment effects across individuals has attracted growing attention as a statistical tool for performing critical decision-making. We propose a Bayesian inference framework that quantifies the uncertainty in treatment effect estimation to support decision-making in a relatively small sample size setting. Our proposed model places Gaussian process priors on the nonparametric components of a semiparametric model called a partially linear model. This model formulation has three advantages. First, we can analytically compute the posterior distribution of a treatment effect without relying on the computationally demanding posterior approximation. Second, we can guarantee that the posterior distribution concentrates around the true one as the sample size goes to infinity. Third, we can incorporate prior knowledge about a treatment effect into the prior distribution, improving the estimation efficiency. Our experimental results show that even in the small sample size setting, our method can accurately estimate the heterogeneous treatment effects and effectively quantify its estimation uncertainty.