Heterogeneous Treatment Effect Estimation based on a Partially Linear Nonparametric Bayes Model
基于部分线性非参数贝叶斯模型的异质性处理效应估计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：摘要直接研究条件平均处理效应及其异质性的贝叶斯估计。
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
基于部分线性非参数贝叶斯模型的异质性处理效应估计
- 研究问题
- 如何扩展部分线性非参数贝叶斯模型，使其能够估计随协变量变化的条件平均处理效应，并描述后验不确定性？
- 方法与思路
- 作者分别对非参数基准项和异质性处理效应设置高斯过程先验，推导条件平均处理效应的解析后验并研究其一致性。
- 材料陈述的贡献
- 摘要称，方法克服既有模型不能处理效应异质性的限制，给出解析后验与一致性证明，并以合成数据进行数值实验。
- 阅读关注点
- 应核对因果识别假设、高斯过程先验和后验一致性的具体对象，并查看解析计算的条件及合成实验设计。
- 阅读边界
- 这是arXiv预印本，同行评审及接收未核验。摘要未给出一致性条件、收敛速率或区间覆盖结果，不能推断一般推断有效性。
原文摘要
Recently, conditional average treatment effect (CATE) estimation has been attracting much attention due to its importance in various fields such as statistics, social and biomedical sciences. This study proposes a partially linear nonparametric Bayes model for the heterogeneous treatment effect estimation. A partially linear model is a semiparametric model that consists of linear and nonparametric components in an additive form. A nonparametric Bayes model that uses a Gaussian process to model the nonparametric component has already been studied. However, this model cannot handle the heterogeneity of the treatment effect. In our proposed model, not only the nonparametric component of the model but also the heterogeneous treatment effect of the treatment variable is modeled by a Gaussian process prior. We derive the analytic form of the posterior distribution of the CATE and prove that the posterior has the consistency property. That is, it concentrates around the true distribution. We show the effectiveness of the proposed method through numerical experiments based on synthetic data.