Estimating Heterogeneous Causal Mediation Effects with Bayesian Decision Tree Ensembles
用贝叶斯决策树集成估计异质性因果中介效应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。
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因果中介效应及条件平均直接、间接效应。
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…
关注这篇论文的作者
用贝叶斯决策树集成估计异质性因果中介效应
- 研究问题
- 如何同时研究处理效应的个体异质性及其直接、间接作用路径，并缓解条件平均中介效应估计的不稳定性？
- 方法与思路
- 作者提出基于贝叶斯加性回归树的变系数模型，对异质性中介效应进行正则化，并结合后验总结识别与解释子群。
- 材料陈述的贡献
- 摘要称，中介森林比所比较的线性结构方程模型产生更稳定的估计，同时将效应向同质性收缩；医疗支出数据与模拟用于展示这些性质。
- 阅读关注点
- 核对直接与间接效应的定义、因果识别条件、收缩先验及不确定性处理，并检查子群总结是否掩盖真实异质性。
- 阅读边界
- 所给为 OpenAlex 索引摘要，稿件版本未注明。摘要未说明中介识别假设与覆盖率表现，不能据此判断一般适用性或后续刊本变化。
原文摘要
The causal inference literature has increasingly recognized that targeting treatment effect heterogeneity can lead to improved scientific understanding and policy recommendations. Similarly, studying the causal pathway connecting the treatment to the outcome can be useful. We address these problems in the context of causal mediation analysis . We introduce a varying coefficient model based on Bayesian additive regression trees to estimate and regularize heterogeneous causal mediation effects. Even on large datasets with few covariates, we show LSEMs can produce highly unstable estimates of the conditional average direct and indirect effects, while our Bayesian causal mediation forests model produces stable estimates. We find that our approach is conservative, with effect estimates “shrunk towards homogeneity.” Using data from the Medical Expenditure Panel Survey and empirically-grounded simulated data, we examine the salient properties of our method. Finally, we show how our model can be combined with posterior summarization strategies to identify interesting subgroups and interpret the model fit.