零膨胀数据也能精准估计因果效应！新方法性能媲美参数模型，还更稳健！
Bayesian Causal Forests for Zero-Inflated Continuous Outcomes
📖 AI 总结
本文提出一种面向零膨胀连续结果的新型因果推断方法ZIC-BCF-Smear，用于估计半连续结果下的异质性处理效应。该方法采用解耦的两部分非参数结构：在全样本上拟合Probit贝叶斯因果森林以建模参与概率，在活跃子群体上拟合高斯贝叶斯因果森林以建模正值强度，并通过子群体倾向调整缓解正则化诱导的混杂，同时利用Duan非参数涂抹估计量将预测还原至响应尺度，避免参数模型的脆弱假设。模拟基准显示，该方法在无需参数假设的情况下可媲美正确设定的参数模型，在非线性数据上较竞争方法更稳定且校准良好。作者将其应用于SPECTRUM头颈癌三期随机试验的个体数据，估计帕尼单抗联合化疗对严重毒性天数的因果效应，发现该方案使每名患者负担增加约十天，且效应主要定位于正值强度部分而非负担是否为正。
🔑 关键词速览
| 零膨胀连续结果 | 指结果变量在零处有离散点质量，同时正值部分呈连续偏态分布的数据类型。 |
| 贝叶斯因果森林 (BCF) | 一种基于贝叶斯加性回归树的非参数模型，用于估计异质性处理效应。 |
| Duan涂抹估计器 | 一种非参数方法，用于将模型预测从变换尺度重新转换到原始响应尺度。 |
| 子群体倾向性调整 (SPA) | 一种调整方法，用于减轻活跃子群体内由正则化引起的混杂偏差。 |
| 半连续结果 | 结果变量同时包含离散零值和连续正值部分的分布特征。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅