跳转至

Factorial Multivariate Bayesian Causal Forests: heterogeneous main and interaction effects of multiple treatments on correlated outcomes

作者: Danilo A. Sarti
主题: 因果推断
相关性: 8/10
链接: https://arxiv.org/abs/2609.31332


一、领域脉络与小综述

这个方向是什么

本文所处的子方向是因果推断中的贝叶斯非参数方法,具体聚焦于一个此前未被同时满足的组合需求:(i) 多个二元处理(multiple binary treatments)同时施加于同一批单元;(ii) 处理效应存在异质性(随协变量变化);(iii) 处理之间存在交互作用(如 2×2 因子设计中的协同或拮抗);(iv) 多个相关结局(correlated outcomes)需要被联合建模。该方向要解决的根本问题是:如何在不过度依赖线性/参数化假设的前提下,从观测数据(或随机化实验)中识别并估计"谁在什么处理组合下获益多少",同时给出诚实的(calibrated)不确定性量化。当前该方向的成熟度处于"单处理异质性效应估计已成熟、多处理交互+多结局联合建模仍缺乏统一框架"的阶段。

发展脉络

奠基工作:BART 与贝叶斯因果森林的诞生。 本文的构建块是 Chipman et al. (2010) 提出的 Bayesian Additive Regression Trees (BART)——一种用正则化先验约束的加性树集成,通过 MCMC 后验采样实现非参数回归。BART 被引入因果推断的标志性工作是 Hill (2011),她展示了 BART 在观测数据中估计平均处理效应(ATE)的优越性能。随后 Hahn et al. (2020) 提出 Bayesian Causal Forest (BCF),其关键创新是预后/效应分裂(prognostic/effect split):将协变量分别送入"预后树"(只含协变量)和"效应树"(协变量+处理),并加入倾向得分作为预后树的协变量,从而在保持灵活性的同时减少正则化诱导的混淆偏差(regularization-induced confounding)。BCF 在 Atlantic Causal Inference Conference 数据竞赛中表现优异(Dorie et al., 2019),成为该领域的基准方法。

主要进展:多处理与因子设计的因果分解。 在 BCF 基础上,两条线索并行发展。第一条线索是因子实验的因果分解:Dasgupta et al. (2015) 和 Egami & Imai (2019) 系统研究了 2^K 因子设计中主效应与交互效应的识别与估计,提出了基于线性/正则化模型的分解方法,但未涉及非参数异质性。第二条线索是多结局建模:McJames et al. (2025) 将 BCF 扩展为 Multivariate BCF (MVBCF),通过多元叶参数和共享协方差矩阵联合建模多个相关结局,但仅限于单一处理。本文的直接前身正是 MVBCF——作者在 Table 1 中明确将 MVBCF 列为"我们的基础"(our base),并指出其局限是"单一处理"。

当前 frontier:统一框架的缺失。 截至本文,尚不存在一个方法能同时满足:多处理×交互效应×异质性×多结局×贝叶斯不确定性。最接近的竞争者包括:(a) 广义随机森林 (Athey et al., 2019)——提供多臂处理效应估计,但缺乏显式交互分解和贝叶斯后验;(b) 线性因子模型 (Egami & Imai, 2019)——有交互分解但无非线性异质性;(c) 单处理 MVBCF (McJames et al., 2025)——有多结局但无交互。本文的位置正是填补这个交集:将 MVBCF 的多元叶参数推广到整个处理格(treatment lattice),用 Möbius/ANOVA 分解将每个主效应和交互效应映射为独立的树集成,并证明所有组件可由同一个指示加权核采样。

子线索聚类

被引文献大致落在四条子线索上:

  1. BART 及其扩展(Chipman et al., 2010; Linero & Yang, 2018; Rocková & van der Pas, 2020; Sparapani et al., 2021; Tan & Roy, 2019):关注 BART 的先验设计、后验收缩理论、软件实现与似然扩展。本文依赖其树先验和后验收缩理论(Theorem 1 直接引用 Rocková & van der Pas 的收缩率)。

  2. 贝叶斯因果森林(Hill, 2011; Hahn et al., 2020; Caron et al., 2022; McJames et al., 2025):将 BART 用于因果推断,核心贡献是预后/效应分裂和倾向得分控制。本文的直接基座是 McJames et al. (2025) 的 MVBCF。

  3. 因子实验与交互效应(Dasgupta et al., 2015; Egami & Imai, 2019; Goplerud et al., 2024):研究多处理的主效应/交互效应分解,多为线性或正则化模型。本文的 Möbius 分解直接继承此线索,但将其推广到非参数树集成。

  4. 频率派因果森林与半参数方法(Athey & Imbens, 2016; Wager & Athey, 2018; Athey et al., 2019; Nie & Wager, 2017; Kennedy, 2023):提供 CATE 估计的渐近理论、正交化和双重稳健性。本文的 Theorem 2 和 Corollary 1 明确对标此线索的效率界与 BvM 结果。

这个方向在追问的核心问题

  1. 识别问题:在多处理×多结局设定下,主效应和交互效应的因果 estimand 如何用可观测数据表达?需要哪些假设(SUTVA、无混杂、重叠)?——本文 Proposition 2 给出 Möbius 逆变换的识别结果。
  2. 估计问题:如何在避免维数灾难的前提下,对每个效应组件进行非参数估计并共享信息?——本文用"一个指示加权核"统一采样所有组件。
  3. 推断问题:如何获得校准的不确定性?贝叶斯后验区间是否具有频率意义下的覆盖?——本文 Theorem 1 给出后验收缩率,Corollary 1 给出平均效应的 BvM 极限。
  4. 计算问题:多组件、多结局的 MCMC 采样如何高效实现?——本文用 Rcpp/Armadillo 实现单一核循环。

⚠️ 作者的 framing(这是作者的说法):作者在引言中将缺口 frame 为"MVBCF 只处理单一处理,而现实中的决策(农业、临床、经济)几乎总是涉及多个同时施加的处理及其交互"。他声称自己的贡献是"结构性的而非增量的":Möbius 分解将因子格上的所有效应组件统一为同一个采样器,因此"两处理模型、单处理多变量模型和一般 r 阶截断是同一个引擎的不同组件集"。他淡化的竞争路线包括:(a) 频率派多臂因果森林——仅在对比实验中提及,强调其"缺乏显式交互分解和联合后验";(b) 线性因子模型——在 Table 1 中列为"线性、设计-based、平均效应",暗示其无法处理非线性异质性。值得研究者去查的问题:作者没有引用 Goplerud et al. (2024) 的 FactorHet(尽管在 Table 1 中提及),也没有讨论多处理设定下倾向得分估计的维度问题(当 T 较大时,2^T 个处理组合的倾向得分估计会面临稀疏性挑战)。此外,作者对"未测混杂"的处理仅停留在敏感性分析层面,没有讨论工具变量或代理变量的扩展。

张力

未见明显对立引用。但存在一个微妙的张力:Rocková & van der Pas (2020) 的树先验收缩理论是在单一函数的设定下建立的,而本文将其推广到多个组件(每个 β_S 一个收缩率 ε_{n,S}),并取最大值作为整体收缩率。这种"逐组件收缩率取最大"的做法在理论上是否最优(是否可以通过组件间的相关性获得更快的联合收缩率)是一个未被作者讨论的问题。此外,Egami & Imai (2019) 的线性分解与本文的非参数分解在"交互效应的可解释性"上存在潜在冲突:线性模型的交互项有明确的系数解释,而树集成的交互效应(如 τ_{12}(x) 随 x 变化)虽然更灵活,但牺牲了简洁性——作者用 VSUP 图来缓解这一问题,但这是否足以支撑实际决策,是一个开放问题。


二、最核心、最简单的例子 / 数学问题

第一步:符号、模型、可观测数据

符号清单(逐个点名):

记号 含义 类型
\(y_i \in \mathbb{R}^q\) 第 \(i\) 个单元的 \(q\) 维结局向量 可观测随机变量
\(Z_{it} \in \{0,1\}\) 第 \(i\) 个单元是否接受第 \(t\) 个处理(\(t=1,\dots,T\)) 可观测随机变量
\(x_i \in \mathbb{R}^d\) 第 \(i\) 个单元的 \(d\) 维协变量 可观测随机变量
\(S \subseteq \{1,\dots,T\}\) 处理子集(\(S=\emptyset\) 表示全部不处理) 索引
\(D^S_i = \prod_{t \in S} Z_{it}\) 处理组合指示(\(D^\emptyset \equiv 1\)) 可观测随机变量
\(\mu(x)\) 预后面(全部处理关闭时的条件均值) 待估函数(非参数)
\(\tau_S(x)\) 处理子集 \(S\) 的(纯)交互效应 待估函数(非参数)
\(\beta_S(x)\) 统一记号:\(\beta_\emptyset = \mu\),\(\beta_S = \tau_S\)(\(S \neq \emptyset\)) 待估函数
\(\Sigma\) 结局残差的 \(q \times q\) 协方差矩阵 待估参数
\(\pi_t(x)\) 第 \(t\) 个处理的倾向得分 辅助量(用于混淆控制)
\(\varepsilon_i\) \(q\) 维高斯噪声,\(\varepsilon_i \sim N_q(0, \Sigma)\) 不可观测随机变量
\(n\) 样本量 标量
\(K = 2^T\) 处理组合总数(含全不处理) 标量
\(r\) 交互截断阶数(保留 $ S

模型(数据生成机制):

\[y_i = \mu(x_i) + \sum_{\emptyset \neq S \subseteq \{1,\dots,T\}} \left( \prod_{t \in S} Z_{it} \right) \tau_S(x_i) + \varepsilon_i, \quad \varepsilon_i \sim N_q(0, \Sigma)\]

关键点:这是一个可加结构——每个主效应 \(\tau_{\{t\}}(x)\) 和交互效应 \(\tau_S(x)\)(\(|S|\ge 2\))都是协变量 \(x\) 的任意函数,乘以对应的处理组合指示 \(D^S_i\)。当 \(T=2\) 时,模型退化为:

\[y_i = \mu(x_i) + Z_{i1}\tau_1(x_i) + Z_{i2}\tau_2(x_i) + Z_{i1}Z_{i2}\tau_{12}(x_i) + \varepsilon_i\]

其中 \(\tau_{12}(x)\) 就是协变量条件化的差中差(difference-in-differences)交互效应。

可观测数据:\(\{(y_i, Z_i, x_i)\}_{i=1}^n\),即每个单元的处理分配向量 \(Z_i \in \{0,1\}^T\)、协变量 \(x_i\) 和结局 \(y_i\)。

潜在结果与识别:在 SUTVA(无干扰、无隐藏处理变体)下,潜在结果 \(y_i(z)\) 对每个处理组合 \(z \in \{0,1\}^T\) 定义。模型假设 \(y_i(z) = \mu(x_i) + \sum_{S \subseteq z} \tau_S(x_i) + \varepsilon_i\)(其中 \(S \subseteq z\) 表示 \(S\) 中所有处理在 \(z\) 中开启)。在无混杂(\(y(z) \perp Z \mid x\))和重叠(\(0 < \Pr(Z=z|x) < 1\))下,每个条件均值 \(E[y|Z=z, x]\) 由观测数据识别,Möbius 逆变换(Proposition 2)给出每个 \(\tau_S(x)\) 的识别公式。

先验:每个 \(\beta_S\) 赋予独立的 BART 树先验(Chipman et al., 2010)或软树先验(Linero & Yang, 2018);\(\Sigma\) 赋予限制在谱带上的逆 Wishart 先验(Assumption 5)。

第二步:最小内核

最小例子:\(T=2\) 个二元处理,\(q=1\) 个连续结局,\(d=1\) 维协变量 \(x \in [0,1]\)。

要估计的对象: - 预后面 \(\mu(x)\):两组都不处理时的期望结局 - 主效应 \(\tau_1(x)\):处理 1 单独开启时的效应(处理 2 关闭) - 主效应 \(\tau_2(x)\):处理 2 单独开启时的效应(处理 1 关闭) - 交互效应 \(\tau_{12}(x)\):两个处理同时开启时,超出两个主效应之和的额外效应

核心数学问题:给定 \(n\) 个观测 \((y_i, Z_{i1}, Z_{i2}, x_i)\),如何同时估计这四个函数,并保证:(a) 每个函数都是 \(x\) 的灵活(非参数)函数;(b) 估计量在 \(n \to \infty\) 时以已知速率收缩到真值;(c) 平均效应 \(\bar{\tau}_S = E[\tau_S(x)]\) 的后验区间具有频率意义下的覆盖。

为什么难:如果直接对 \(E[y|Z=z, x]\) 做四个独立的非参数回归(每个处理组合一个),则每个回归只用到约 \(n/4\) 个观测,且无法共享 \(\mu(x)\) 的信息。本文的分解将问题转化为一个加性模型:\(y_i = \mu(x_i) + Z_{i1}\tau_1(x_i) + Z_{i2}\tau_2(x_i) + Z_{i1}Z_{i2}\tau_{12}(x_i) + \varepsilon_i\),其中每个组件由独立的树集成表示,通过 MCMC 联合后验采样。核心数学困难在于:四个组件在似然中通过加法耦合,如何设计高效的 MCMC 更新使得每个组件的树结构都能在给定其他组件的条件下被采样?本文的答案(Proposition 1)是:所有组件共享同一个指示加权核——对组件 \(S\),其叶节点更新仅需将指示 \(D^S_i\) 作为权重,其余与标准 BART 叶更新完全相同。因此,单处理多变量因果森林是 \(T=2\) 模型在 \(S=\emptyset,\{1\}\) 时的特例,而 \(T=2\) 模型又是 \(T=3\) 模型在截断 \(r=2\) 时的特例——整个家族是同一个采样器在不同组件集合下的实例。

证明的骨架(Theorem 1):将 \(2^T\) 个处理组合的单元按 \(Z\) 分组,每组是一个独立的非参数回归问题(均值 \(g_{S'}(x) = E[y|Z=1_{S'}, x]\))。由 Möbius 变换,\(\beta = A^{-1} g\),其中 \(A\) 是子集包含矩阵(zeta 矩阵),\(\|A\|, \|A^{-1}\| \le 2^T\) 有界。因此 \(\|\beta - \beta_0\|_n\) 与 \(\|g - g_0\|_n\) 等价(差一个仅依赖 \(T\) 的常数)。每个 \(g_{S'}\) 是 \(x\) 的 Hölder 光滑函数(Assumption 4),由树先验的收缩理论(Rocková & van der Pas, 2020)以 \(\varepsilon_{n,S'}\) 速率收缩。取 \(\varepsilon_n = \max_{S'} \varepsilon_{n,S'}\),则 \(\beta\) 的每个分量以 \(\varepsilon_n\) 收缩。\(\Sigma\) 的收缩由逆 Wishart 先验在谱带上的支撑给出 \(n^{-1/2}\) 速率。最后通过 Ghosal & van der Vaart (2007) 的非 i.i.d. 后验收缩定理组合这些条件。

为什么这个内核是"最小"的:它剥离了所有一般性技术假设(多结局、高阶交互、稀疏性),只保留了一个核心思想——因子格上的可加分解 + 树先验的逐组件收缩 + 指示加权核的统一采样。理解了 \(T=2, q=1, d=1\) 的情形,就理解了全文的数学结构;其余都是"加壳"。


三、这篇论文做了什么

三句话

  1. 研究了什么问题:如何在一个贝叶斯非参数框架下,同时估计多个二元处理的主效应和交互效应(异质性的),并联合建模多个相关结局,且所有效应共享同一个采样器。
  2. 核心工具/方法:将处理格上的响应面做 Möbius/ANOVA 分解,每个主效应/交互效应对应一个独立的 BART 树集成,叶参数为多元向量,通过共享的逆 Wishart 协方差矩阵联合估计;所有组件由同一个指示加权核(indicator-weighted kernel)采样。
  3. 主要结论:平均效应估计量无偏、覆盖名义水平、一致且对误设稳健(仅在未测混杂下失效);在模拟和真实数据(临床、农业、经济、NHANES)上均优于或匹配现有方法,并提供了高效的 Rcpp 实现和基于 VSUP 的可解释性层。

关键设定与假设

  • SUTVA(Assumption 1):\(y_i = y_i(Z_i)\),即无干扰、无隐藏处理变体。
  • 无混杂(Assumption 2):\(\{y_i(z)\}_z \perp Z_i \mid x_i\),即给定协变量后处理分配与潜在结果独立。
  • 重叠/积极性(Assumption 3):\(\Pr(Z_i = 1_{S'} | x_i) \ge \pi_0 > 0\) 对所有 \(S' \subseteq S\) 成立,保证每个处理组合都有正概率被观察到。
  • 光滑性(Assumption 4):每个 \(\beta_{S,0}\) 属于 Hölder 球 \(C^{\alpha_S}([0,1]^d)\),\(\alpha_S > 0\)。
  • 噪声与协方差(Assumption 5):误差 \(\varepsilon_i \sim N_q(0, \Sigma_0)\),\(\Sigma_0\) 的特征值在 \([c_\Sigma, C_\Sigma]\) 内;协变量密度有界且远离 0。

相比已有工作的变化: - 相比 Hahn et al. (2020) 的 BCF:从单处理扩展到多处理,并显式建模交互效应。 - 相比 Egami & Imai (2019):从线性/参数化分解推广到非参数树集成,允许效应随协变量任意变化。 - 相比 McJames et al. (2025) 的 MVBCF:从单处理扩展到多处理,并证明所有组件共享同一个采样核(Proposition 1)。

主要结果

定理 1(后验收缩):在 Assumptions 1–5 下,后验分布以速率 \(\varepsilon_n = \max_S n^{-\alpha_S/(2\alpha_S+d)}(\log n)^\kappa\) 收缩到真值 \(m_0\),即 \(\Pi(\|m - m_0\|_n > M_n \varepsilon_n \mid \text{data}) \to 0\)。每个组件 \(\beta_S\) 也以 \(\varepsilon_{n,S}\) 收缩。这是通过 Möbius 变换将问题分解为 \(K\) 个独立的非参数回归,再应用 Rocková & van der Pas (2020) 的树先验收缩定理得到的。

命题 3 / 定理 2(平均效应的 BvM):在无偏条件(\(\varepsilon_{n,S} \cdot \varepsilon_{n,e} = o(n^{-1/2})\))下,平均效应 \(\bar{\tau}_S\) 的后验满足 Bernstein–von Mises 定理,即后验渐近正态、均值为高效估计量、方差为半参数效率界。这通过构造交叉拟合的 AUV 估计量(Algorithm 2)实现,该估计量是双重稳健的,且不需要 Donsker 条件。

命题 1(统一采样核):所有组件的叶节点更新可由同一个指示加权核完成——这是全文的计算核心,使得多处理、多结局的 MCMC 采样与单处理情形在代码层面几乎无差别。

证明路线与技术技巧

整体路线(Theorem 1 的证明骨架): 1. Möbius 变换:将 \(2^T\) 个处理组合的响应面 \(g_{S'}(x) = E[y|Z=1_{S'}, x]\) 通过子集包含矩阵 \(A\) 变换为组件 \(\beta_S\)。\(A\) 是三角矩阵,\(\|A\|, \|A^{-1}\| \le 2^T\),因此范数等价。 2. 逐组件收缩:每个 \(g_{S'}\) 是 Hölder 光滑函数,由树先验的收缩理论(Rocková & van der Pas, 2020)以 \(\varepsilon_{n,S'}\) 收缩。关键条件是树先验的逼近误差(树深 \(d_n\) 足够大)和先验质量(树结构先验对 \(d_n\) 的惩罚)。 3. 协方差估计:\(\Sigma\) 的逆 Wishart 先验在谱带上给出 \(n^{-1/2}\) 收缩。 4. 组合:应用 Ghosal & van der Vaart (2007) 的非 i.i.d. 后验收缩定理,将各部分的收缩率组合为整体速率 \(\varepsilon_n = \max_S \varepsilon_{n,S}\)。

关键技巧: - Möbius 变换的范数等价:将组件的收缩问题转化为 \(K\) 个独立回归的收缩问题,避免了直接处理加性模型的复杂性。 - 指示加权核:在叶节点更新中,\(D^S_i\) 作为权重进入充分统计量,使得多元叶参数的共轭更新与标准 BART 完全一致。 - 交叉拟合的 AUV 估计:通过样本分割避免 Dvoretzky–Kiefer–Wolfowitz 型条件,使得双重稳健性在更弱的乘积速率下成立。

真实例子与应用

NHANES 心血管代谢分析(n=9,002):交叉处理为"他汀使用 × 体育锻炼",四个结局为收缩压、舒张压、HbA1c、总胆固醇。结果:他汀显著降低总胆固醇(−0.45 SD,95% CrI [−0.58, −0.34]),与随机化试验的结论一致;体育锻炼无显著主效应;无他汀×锻炼交互。未测混杂敏感性分析显示,需要 0.34 SD 的混杂偏移才能将胆固醇效应移至零。

NHANES 认知分析(n=2,640):交叉处理为"降压药使用 × 体育锻炼",四个结局为 CERAD 即时/延迟回忆、语言流畅性、数字符号替换。结果:体育锻炼显著提升语言流畅性(+0.19 SD,95% CrI [0.09, 0.29])和数字符号替换(+0.12 SD,95% CrI [0.03, 0.20]);降压药无主效应;无交互。

农业(npk):2³ 因子设计(氮、磷、钾),结局为豌豆产量。结果与经典方差分析一致,但额外提供了块级别的异质性信息。

经济(房价):交叉处理为"空调 × 偏好区位",结局为对数房价。空调效应为正(+0.167 SD),偏好区位效应为正(+0.142 SD),无交互。

这些例子想说明什么:方法在随机化(npk)、观测性(NHANES)和截面经济数据上都能运行,且能同时给出主效应、交互效应和异质性信息,而传统方法需要分别做多次分析。

🔎 结论是否比证明窄

是的,存在几处"证明窄于结论"的地方:

  1. 定理 1 的收缩率是逐组件取最大,而非联合最优。作者在证明中承认"速率由最不光滑的组件决定",但没有讨论是否可以通过组件间的相关性(如 \(\tau_1\) 和 \(\tau_{12}\) 共享协变量)获得更快的联合收缩率。这是一个理论缺口。

  2. BvM 定理(命题 3)依赖无偏条件,而该条件在 \(2\alpha_S < d\) 时(低光滑度、高维协变量)不成立。作者在 Corollary 2 中提出通过交叉拟合的 AUV 估计来"修复",但该修复的证明依赖于乘积速率条件,而乘积速率条件本身在 \(2\alpha_S < d\) 时可能不满足。作者没有给出这一情形的显式处理。

  3. "未测混杂下失效"的结论:作者在模拟中展示了未测混杂导致估计失效,但这一结论是经验性的,没有理论证明(例如,没有给出混杂强度与偏差之间的定量关系)。作者仅提供了 E-value 敏感性分析作为实用工具。

  4. 计算复杂度:作者声称"单一指示加权核"使得计算高效,但没有给出理论复杂度分析(如每轮 MCMC 的树更新复杂度与 \(T\)、\(q\)、\(d\) 的关系)。Rcpp 实现的具体加速比也没有报告。

  5. "统一框架"的声称:作者在引言中声称这是"第一个统一框架",但未与多臂治疗的多任务学习(如 Causal Multi-task Gaussian Processes)或深度生成模型(如 TARNet)进行系统比较,仅在模拟中与 grf 和线性模型对比。


四、开放问题

  1. 联合收缩率的理论:是否存在比"逐组件取最大"更优的联合收缩率?组件间的相关性(如 \(\tau_1\) 与 \(\tau_{12}\) 共享协变量结构)能否被先验设计所利用?这需要发展加性非参数贝叶斯模型的联合收缩理论,可扎根于 Theorem 1 的证明中"取最大"这一步。

  2. 低光滑度/高维情形的 BvM:当 \(2\alpha_S < d\) 时,交叉拟合的 AUV 估计是否仍然 \(\sqrt{n}\) 高效?作者在 Corollary 2 中仅给出了 \(2\alpha_S \ge d\) 的论证,低光滑度情形需要新的证明技术(可能涉及高阶影响函数或自适应估计)。可扎根于命题 3 的无偏条件。

  3. 未测混杂的定量理论:能否给出混杂强度(如 E-value 中的 \(RR_{UY}\) 和 \(RR_{UE}\))与估计偏差之间的显式关系?这需要将敏感性分析与贝叶斯后验收缩理论结合。可扎根于作者在讨论中提到的 E-value 敏感性分析。

  4. 计算复杂度的理论分析:指示加权核的每轮 MCMC 复杂度与 \(T\)、\(q\)、\(d\) 的关系是什么?是否存在更优的树更新策略(如基于充分统计量的增量更新)?可扎根于 Algorithm 1 的步骤描述。

  5. 交互效应的选择与截断:当 \(T\) 较大时,\(2^T\) 个组件中大部分可能为零。能否设计一个在交互格上施加稀疏先验(如马蹄先验或正则化马蹄)的扩展,使得高阶交互自动被收缩到零?作者在讨论中提到了"r 阶截断"但未给出选择 \(r\) 的准则。可扎根于 Proposition 1 的"r 阶截断"描述。

  6. 非高斯结局的完整理论:附录 A.6 给出了二值、计数、生存结局的潜在变量扩展,但没有给出这些设定下的收缩率或 BvM 定理。需要发展潜在高斯尺度下的后验收缩理论。可扎根于附录 A.6 的"Binary and ordinal outcomes"段落。


提醒:要确认上述开放问题是否是真 gap,建议去读以下子领域近期约 5 篇论文的引言:(a) 多臂贝叶斯非参数因果推断(如 BCF 的后续工作);(b) 因子设计的因果机器学习(如 FactorHet 的后续);(c) 贝叶斯树模型的收缩理论(Rocková 和 Linero 的近期工作)。如果这些论文的引言都指向同一个未解决问题,那就是共识性 gap;如果它们互相矛盾(例如,有的认为联合收缩率可达、有的认为不可达),那反而是更值得研究的机会。


Maintained by 陈星宇 · Homepage · Source on GitHub

评论