本研究の目的は、条件付き平均処置効果(CATE)の推定を改善するための新しいモデルであるK-Fold Causal BARTを提案し、評価することです。
合成データおよび半合成データ(Infant Health and Development Program (IHDP)ベンチマークデータセットを含む)を使用して、提案モデルの性能を検証しました。
合成シナリオでは良好な結果が得られましたが、IHDP データセットでは、提案モデルがATEおよびCATEの推定において最先端ではないことが明らかになりました。
ただし、この研究からいくつかの新しい洞察が得られました:
ps-BARTモデルは、他のベンチマークモデルと比較して一般化性能が優れているため、CATEおよびATE推定に最適な選択肢と考えられる。これには、多くの研究者が現在最良のCATEモデルと考えているBayesian Causal Forest (BCF)モデルも含まれる。
BCFモデルの性能は、処置効果の異質性が増加すると大幅に低下するのに対し、ps-BARTモデルは堅牢性を維持する。
処置効果の異質性が低い場合、モデルはCATEの不確実性定量化において過度に自信を持つ傾向がある。
過学習を回避するための2つ目のK-Fold手法は不要であり、性能向上なしに計算コストを増加させる。
データセットの特性を理解し、微妙な評価方法を使用することの重要性が明らかになった。
Curth et al. (2021)の結論、すなわちIHDPデータセットに対してはCATEの間接的な推定戦略が優れているというものが、本研究の結果によって反証された。
これらの知見は既存の仮定に挑戦し、因果推論手法の向上に向けた今後の研究の方向性を示唆している。
Naar een andere taal
vanuit de broninhoud
arxiv.org
Belangrijkste Inzichten Gedestilleerd Uit
by Hugo Gobato ... om arxiv.org 09-10-2024
https://arxiv.org/pdf/2409.05665.pdfDiepere vragen