Advancing Causal Inference: A Nonparametric Approach to ATE and CATE Estimation with Continuous Treatments

要約

この論文では、連続治療における平均治療効果 (ATE) と条件付き平均治療効果 (CATE) を推定するための一般化された ps-BART モデルを紹介し、ベイジアン コーザル フォレスト (BCF) モデルの限界に対処します。
ps-BART モデルのノンパラメトリックな性質により、治療変数と結果変数の間の非線形関係を柔軟に捉えることができます。
3 つの異なるデータ生成プロセス (DGP) セットにわたって、ps-BART モデルは、特に非線形性の高い設定において、一貫して BCF モデルを上回っています。
ps-BART モデルの不確実性推定における堅牢性と、点単位推定と確率推定の両方における精度は、現実世界のアプリケーションでの有用性を示しています。
この研究は、因果推論文献における決定的なギャップを埋め、非線形の治療と結果の関係に適したツールを提供し、継続的な治療効果推定の領域でさらなる探求への道を開きます。

要約(オリジナル)

This paper introduces a generalized ps-BART model for the estimation of Average Treatment Effect (ATE) and Conditional Average Treatment Effect (CATE) in continuous treatments, addressing limitations of the Bayesian Causal Forest (BCF) model. The ps-BART model’s nonparametric nature allows for flexibility in capturing nonlinear relationships between treatment and outcome variables. Across three distinct sets of Data Generating Processes (DGPs), the ps-BART model consistently outperforms the BCF model, particularly in highly nonlinear settings. The ps-BART model’s robustness in uncertainty estimation and accuracy in both point-wise and probabilistic estimation demonstrate its utility for real-world applications. This research fills a crucial gap in causal inference literature, providing a tool better suited for nonlinear treatment-outcome relationships and opening avenues for further exploration in the domain of continuous treatment effect estimation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google