贝叶斯因果森林与2022年ACIC数据挑战：可扩展性和敏感性
摘要：用Hahn等人的贝叶斯因果森林模型(BCF)来估计2022年美国因果推断会议数据挑战中的纵向数据集的条件平均治疗效应。不幸的是，现有的BCF实现无法扩展到挑战数据的规模。因此，我们开发了flexBCF——一种更具可扩展性和灵活性的BCF实现，并在我们的挑战提交中使用了它。我们调查了我们的结果对倾向得分估计方法的选择和使用稀疏诱导回归树先验的敏感性。虽然我们发现我们的整体点预测对这些建模选择并不特别敏感，但我们观察到，使用灵活估计的倾向得分运行BCF通常会产生更好校准的不确定性区间。
作者：Ajinkya H. Kokandakar and Hyunseung Kang and Sameer K. Deshpande
论文ID：2211.02020
分类：Applications
分类简称：stat.AP
提交时间：2023-05-15