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异质性处理效应估计,具体聚焦于一个此前未被充分覆盖的组合:多个二元处理(multiple binary treatments)× 多个相关结果(multivariate correlated outcomes)× 处理效应异质性(heterogeneous effects)× 处理间交互作用(interaction effects)。该方向要解决的根本问题是:当研究者同时关心"多个处理各自的主效应"、"处理之间的交互效应"以及"这些效应如何随个体协变量变化"时,如何在一个统一的、具有良好不确定度量的框架下进行估计和推断。当前该子方向的成熟度处于"方法快速涌现但尚无统一框架"的阶段——已有工作分别覆盖了上述维度的两两组合,但尚未有方法同时处理全部四个维度。

发展脉络

奠基工作:BART 进入因果推断。 本方法的根基是 Chipman et al. (2010) 提出的 Bayesian Additive Regression Trees (BART),以及 Hill (2011) 将其引入因果推断的开创性工作。Hill (2011) 展示了 BART 作为非参数贝叶斯回归工具在估计条件平均处理效应(CATE)上的优越性——它不需要显式指定函数形式,且能自然提供后验不确定性。这一阶段的工作确立了"用求和树(sum-of-trees)作为非参数先验"这一核心建模策略。

主要进展一:从单处理到多处理。 因果森林(causal forest)的频繁派文献由 Wager & Athey (2018) 和 Athey et al. (2019) 的广义随机森林(generalized random forests, grf)代表,后者提供了多臂(multi-arm)处理的扩展,但其框架是频率派的,且以"臂对臂对比"(arm-versus-baseline)为基本估计对象,缺乏显式的交互效应分解。同期,贝叶斯派的发展是 Hahn et al. (2020) 的 Bayesian Causal Forest (BCF),它引入了"预后/效应分裂"(prognostic/effect split)——将预后函数(propensity 和 prognostic 项)与效应函数分开建模,显著降低了正则化偏差。但 BCF 仅处理单一二元处理。

主要进展二:从单结果到多结果。 McJames et al. (2025) 将 BCF 扩展为多变量版本(MVBCF),通过共享的残差协方差矩阵 Σ 对多个相关结果进行联合建模,实现了跨结果的"借力"(borrowing strength)。但 MVBCF 仍限于单一处理。

主要进展三:因子实验的因果分解。 因子实验(factorial experiment)的传统由 Dasgupta et al. (2015) 和 Yates (1937) 的方差分析(ANOVA)方法代表,其核心思想是将处理组合的效应分解为主效应和交互效应。Egami & Imai (2019) 将这一分解形式化到潜在结果框架下,提出了基于 ANOVA/Möbius 变换的因果交互效应定义,但其估计方法是线性/参数化的,且针对单一结果。Goplerud et al. (2024) 的 FactorHet 将这一分解扩展到异质性效应,但仍是线性模型、单结果。

当前 frontier 与本文位置。 上述四条线索(BART/BCF、多臂因果森林、多变量结果、因子分解)各自发展,但没有任何一个方法同时具备:(i) 非参数异质性、(ii) 多处理交互分解、(iii) 多结果联合建模、(iv) 贝叶斯不确定性。本文的定位正是填补这一交叉空白:将 MVBCF 的多变量结构推广到因子分解框架,使每个主效应和交互效应都成为独立的求和树森林,并通过共享的 Σ 实现跨结果借力。作者在 Table 1 中明确列出了这一"交集"定位。

子线索聚类

被引文献大致落在四条子线索上:

  1. BART 及其因果扩展(Chipman et al. 2010; Hill 2011; Hahn et al. 2020; Linero & Yang 2018; Rocková & van der Pas 2020):核心是求和树先验、MCMC 后验采样、以及 BCF 的预后/效应分裂。本文直接继承这一建模传统。
  2. 频率派因果森林(Wager & Athey 2018; Athey et al. 2019; Nie & Wager 2021; Kennedy 2023):提供 CATE 估计的渐近理论(一致性、渐近正态性、半参数效率),但缺乏贝叶斯不确定性。本文在理论部分(Theorem 1, Proposition 3)试图桥接这一文献。
  3. 因子实验与交互效应分解(Yates 1937; Dasgupta et al. 2015; Egami & Imai 2019; Goplerud et al. 2024):提供 ANOVA/Möbius 分解的因果识别框架。本文的 Proposition 2 直接引用这一框架。
  4. 多变量结果建模(McJames et al. 2025):提供共享协方差的多结果联合建模。本文的直接基座。

这个方向在追问的核心问题

  1. 识别问题:在多个处理同时存在时,如何从观测数据中识别出"纯"的主效应和交互效应?——答案依赖于 ANOVA/Möbius 分解(Proposition 2),但需要因子实验的层叠结构假设。
  2. 估计效率问题:多结果联合建模相对于逐结果独立建模,能带来多少效率增益?本文通过共享 Σ 实现,但未给出理论上的效率增益刻画。
  3. 不确定性量化问题:贝叶斯后验区间在何种条件下具有频率意义上的覆盖保证?本文的 Proposition 3 给出了平均效应的半参数 Bernstein–von Mises 结果,但 CATE 层面的区间覆盖仍不理想(模拟中 0.83–0.93)。
  4. 计算可扩展性问题:当处理数 T 增大时,组件数 K = 2^T 指数增长,如何保持计算可行?本文的截断策略(order-r)是实用方案,但缺乏理论指导。

⚠️ 作者的 framing(这是作者的说法)

作者将缺口 frame 为:"现有方法各自覆盖了多处理、多结果、异质性、交互效应中的某几个维度,但没有任何方法同时提供全部四个维度,且具有统一的贝叶斯不确定性度量。" 作者在 Table 1 中系统性地将本文与 BCF、MVBCF、grf、Egami-Imai、FactorHet 逐一对比,强调本文是"交集"。作者淡化的竞争路线包括:(1) 频率派半参数方法(如 Kennedy 2023 的 doubly robust 学习器)——作者仅将其作为理论工具引用,未作为估计方法对比;(2) 深度学习方法(如 TARNet、Dragonnet 等表示学习方法的因果扩展)——完全未出现在参考文献中;(3) 基于倾向得分加权的非参数方法——仅在模拟对比中作为 baseline 出现。

值得研究者去查的问题:为什么作者没有引用任何基于深度学习的异质性效应估计方法(如 Shalit et al. 2017 的 representation learning 框架)?这是有意的省略还是领域隔离?另外,作者引用了 Rocková & van der Pas (2020) 的树先验收缩理论,但未引用 Rocková (2020) 关于 BART 后验收缩的后续工作——这可能是理论完备性的一个缺口。

张力

未见明显对立引用。各被引工作之间在"非参数异质性估计"这一大方向上是一致的,分歧主要在于贝叶斯 vs 频率派的方法论选择,以及是否显式建模交互效应。一个微妙的张力存在于 Hahn et al. (2020) 的"预后/效应分裂"与 Egami & Imai (2019) 的"因子分解"之间:前者强调将预后信息从效应中分离以减少正则化偏差,后者强调将效应本身分解为可解释的成分。本文试图同时采纳两者,但未讨论二者在有限样本下的潜在冲突(例如,当预后函数与效应函数高度相关时,分裂是否会影响交互效应的识别)。

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
\(i = 1, \dots, n\) 个体索引 样本量指标
\(y_i \in \mathbb{R}^q\) 第 \(i\) 个体的 \(q\) 维结果向量 可观测随机变量
\(Z_{it} \in \{0,1\}\),\(t=1,\dots,T\) 第 \(i\) 个体的第 \(t\) 个二元处理 可观测随机变量(处理)
\(x_i \in \mathbb{R}^d\) 第 \(i\) 个体的 \(d\) 维协变量 可观测随机变量
\(S \subseteq \{1,\dots,T\}\) 处理子集(组件索引) 指标
\(D_i^S = \prod_{t \in S} Z_{it}\) 组件 \(S\) 的乘积处理指示(\(D^\emptyset \equiv 1\)) 可观测随机变量(派生)
\(\mu(x)\) 预后面(全不处理时的条件均值) 待估函数(参数)
\(\tau_S(x)\) 组件 \(S\) 的(纯)主效应或交互效应 待估函数(参数)
\(\Sigma \in \mathbb{R}^{q \times q}\) 结果残差的协方差矩阵 待估参数
\(\pi_t(x) = \Pr(Z_t = 1 \mid x)\) 第 \(t\) 个处理的倾向得分 可识别函数(需估计)
\(\beta_S(x)\) 通用记号,\(\beta_\emptyset = \mu\),\(\beta_S = \tau_S\) 待估函数
\(\bar{\tau}_S = \mathbb{E}[\tau_S(x_i)]\) 平均效应(ATE) 目标估计量(estimand)

模型(式 1):

\[y_i = \mu(x_i) + \sum_{\emptyset \neq S \subseteq \{1,\dots,T\}} D_i^S \, \tau_S(x_i) + \varepsilon_i, \quad \varepsilon_i \sim \mathcal{N}_q(0, \Sigma)\]
  • 数据生成机制:给定协变量 \(x_i\) 和处理组合 \(Z_i\),结果 \(y_i\) 的条件均值是"预后面 + 所有主效应和交互效应的线性叠加"(在 \(D^S\) 上线性,在 \(x\) 上非线性)。残差服从均值为零、协方差为 \(\Sigma\) 的多元正态。
  • 已知:\(\mu\) 和每个 \(\tau_S\) 都是 BART 求和树(每棵树是 \(x\) 的分段常值函数);\(\Sigma\) 有逆 Wishart 先验;树的深度、叶子尺度有正则化先验。
  • 要估的对象:\(\mu(x)\)、每个 \(\tau_S(x)\)(主效应和交互效应)、\(\Sigma\)、以及它们的后验分布。

可观测数据:\(\{(y_i, Z_i, x_i)\}_{i=1}^n\),即每个个体的结果向量、处理向量、协变量向量。不可观测:潜在结果 \(y_i(z)\)(所有 \(2^T\) 个处理组合下的结果),只能通过观测到的一个组合来推断。

识别假设(Assumptions 1–3): - SUTVA(一致性):\(y_i = y_i(Z_i)\),无干扰。 - 无未测混杂(联合无混杂):\(\{y_i(z)\}_z \perp Z_i \mid x_i\),即给定协变量后,处理分配与潜在结果独立。 - 因子正性(factorial positivity):\(\Pr(Z_i = 1_{S'} \mid x_i) \ge \pi_0 > 0\) 对所有 \(S' \subseteq S\) 成立——识别 \(\tau_S\) 需要其触及的所有处理组合都有正概率。

第二步:最小内核

最小设定:取 \(T=2\) 个二元处理(\(Z_1, Z_2\)),\(q=1\) 个结果(标量),\(d=1\) 维协变量 \(x\)。此时模型退化为:

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

要证明的核心命题(Proposition 2 的特例):在 SUTVA、无未测混杂、正性假设下,\(\tau_1(x)\)、\(\tau_2(x)\)、\(\tau_{12}(x)\) 均可由观测数据识别,且

\[\tau_{12}(x) = \mathbb{E}[y \mid Z=(1,1), x] - \mathbb{E}[y \mid Z=(1,0), x] - \mathbb{E}[y \mid Z=(0,1), x] + \mathbb{E}[y \mid Z=(0,0), x]\]

即交互效应是"双重差分"(difference-in-differences)的条件版本。

为什么这个命题是核心:它揭示了整篇论文的数学本质——因子响应面在布尔格上的 Möbius 反演。观测数据只给出 \(2^T\) 个格点上的条件均值 \(\mathbb{E}[y \mid Z=z, x]\),而 Möbius 反演将这些格点值线性变换为 \(2^T\) 个组件(\(\mu\) + 主效应 + 交互效应)。证明思路:将模型 (1) 在 \(Z=z\) 处求条件期望,得到 \(m(z,x) = \sum_{S \subseteq [T]} D^S(z) \beta_S(x)\)。这是布尔格上的 zeta 变换(\(m = A\beta\),\(A\) 为包含矩阵)。由于 \(A\) 是下三角且对角为 1 的矩阵,它可逆,其逆就是 Möbius 函数 \((-1)^{|S \setminus S'|}\)。因此 \(\beta = A^{-1}m\),即式 (4)。关键点:这个识别不依赖于 \(\mu\) 和 \(\tau_S\) 的具体形式(树、线性、任意非参数均可),只依赖于模型在 \(D^S\) 上的线性叠加结构。

为什么这个最小例子"一看就懂":\(T=2\) 时,Möbius 反演退化为简单的四格表运算——从四个处理组合的观测均值出发,加减得到主效应和交互效应。这正是经典 \(2^2\) 因子设计的方差分析恒等式,读者从实验设计课程中已经熟悉。论文的贡献在于:(i) 将这个恒等式嵌入非参数贝叶斯框架(每个格点值由 BART 估计);(ii) 将其扩展到 \(q>1\) 个相关结果(共享 \(\Sigma\));(iii) 提供后验收缩和 Bernstein–von Mises 理论保证。

一般情形(\(T>2\))的推广:组件数从 4 增长到 \(2^T\),但 Möbius 反演的结构不变——\(A\) 始终是 \(2^T \times 2^T\) 的下三角 0-1 矩阵,其逆始终是 Möbius 函数。计算上,这对应 \(O(2^T)\) 次加减运算,对固定 \(T\) 是平凡的。真正的计算挑战在于 \(2^T\) 个 BART 森林的联合后验采样,而非反演本身。

三、这篇论文做了什么

三句话

  1. 研究了什么问题:如何在一个统一的贝叶斯非参数框架下,同时估计多个二元处理对多个相关结果的异质性主效应和异质性交互效应,并提供校准的不确定性度量。
  2. 核心方法:将因子响应面按 ANOVA/Möbius 分解为"预后面 + 每个主效应/交互效应的独立 BART 森林",每个森林的叶子节点为 \(q\) 维向量,通过共享的逆 Wishart 先验对残差协方差 \(\Sigma\) 进行联合建模;用一个统一的指示器加权核(indicator-weighted kernel)采样所有组件。
  3. 主要结论:模拟中平均效应估计无偏(相对偏差 <1%)、ATE 区间覆盖达到名义水平(0.93–0.95)、随 \(n\) 增大 RMSE 单调下降至零;对强混杂、重尾噪声和异方差具有稳健性;仅在未测混杂下失效(符合理论预期)。在真实数据上复现了已确立的临床、农业和经济效应,并额外提供了交互效应和异质性结构。

关键设定与假设

模型设定(在第二节基础上补全):

  • 每个组件 \(\beta_S(x)\) 是一个独立的 BART 求和树:\(\beta_S(x) = \sum_{j=1}^{m_S} g(x; \mathcal{T}_{S,j}, \mathcal{M}_{S,j})\),其中 \(\mathcal{T}\) 是树结构,\(\mathcal{M}\) 是叶子参数(\(q\) 维向量)。
  • 先验:树结构先验(深度惩罚,Chipman et al. 2010);叶子参数 \(\mathcal{M} \sim \mathcal{N}_q(0, \tau_S^2 \Sigma)\)(注意:叶子先验方差与 \(\Sigma\) 成比例,这是实现跨结果借力的关键);\(\Sigma \sim \text{IW}(\nu_0, \Sigma_0)\)。
  • 效应先验收缩:对高阶交互(\(|S| \geq 2\))使用更紧的先验(更小的 \(\tau_S\)),编码"交互效应比主效应更小更稀疏"的先验信念——这是 heredity shrinkage 的实现方式。
  • 倾向得分控制:每个处理的倾向得分 \(\hat{\pi}_t(x)\) 被估计并作为协变量加入预后森林 \(\mu\) 的输入,以减轻正则化诱导的混杂(与 Hahn et al. 2020 的 BCF 相同的策略)。

相比已有工作的关键差异:

维度 BCF (Hahn 2020) MVBCF (McJames 2025) grf (Athey 2019) 本文
处理数 1 1 多臂 多个(交叉)
结果数 1 多 1 多
交互效应 无 无 无 有(显式分解)
异质性 有 有 有 有
不确定性 贝叶斯后验 贝叶斯后验 频率置信区间 贝叶斯后验

主要结果

模拟研究(Table 2, Figure 5, 6): - 无偏性:所有组件的 ATE 相对偏差 <1%(\(n=700\), \(R=40\) 次重复)。 - 覆盖:ATE 区间覆盖率为 0.93–0.95(名义 0.95);CATE 区间覆盖率为 0.83–0.93(轻度欠覆盖,作者归因于 BART 的收缩先验)。 - 一致性:RMSE 随 \(n\) 从 300 增至 3000 单调下降,斜率接近 \(n^{-1/2}\)。 - 组件恢复:交互效应 \(\tau_{12}\) 的表面相关性为 0.82(低于主效应的 0.96/0.94),符合"交互效应使用更少有效样本"的理论预期。

鲁棒性(Table 3): - 强混杂(倾向得分范围 0.05–0.95):主效应偏差 <0.03 SD,覆盖保持名义水平。 - 重尾噪声(\(t_3\) 分布):偏差 <0.09 SD,覆盖 0.92–1.00。 - 异方差:偏差 <0.08 SD,覆盖 0.83–1.00。 - 未测混杂:偏差 >1.4 SD,覆盖降至 0——这是唯一失效场景,与理论一致。

真实数据(Table 5, 6, 7): - NHANES 心血管(\(n=9,002\)):他汀类药物显著降低总胆固醇(−0.45 SD,95% CrI [−0.58, −0.34]),与随机试验证据一致;未发现他汀×体力活动的交互作用。 - NHANES 认知(\(n=2,640\)):体力活动与更好的执行功能相关(+0.19 SD),与元分析一致;抗高血压药物无显著认知主效应,与 SPRINT MIND 一致。 - 农业(npk):氮肥主效应显著为正,钾肥为负,与经典方差分析结果一致。 - 经济(房价):空调和优越位置的溢价均为正,但小于朴素回归系数(表明混杂控制有效)。

证明路线与技术技巧

Theorem 1(后验收缩) 的证明路线:

  1. 结构简化:利用 Lemma 1 的 zeta/Möbius 等价性,将"估计 \(2^T\) 个组件 \(\beta_S\)"转化为"估计 \(2^T\) 个格点面 \(g_{S'}\)"。由于 \(A\) 是固定矩阵,两者的后验收缩速率等价。
  2. 逐组件收缩:对每个格点面 \(g_{S'}\),调用 Rocková & van der Pas (2020) 的树/森林后验收缩定理——该定理给出在 Hölder 光滑类 \(\mathcal{C}^{\alpha_{S'}}\) 上,树先验的后验收缩速率为 \(n^{-\alpha_{S'}/(2\alpha_{S'}+d)}(\log n)^\kappa\)。
  3. 聚合:由于 \(K = 2^T\) 固定,取最大值 \(\varepsilon_n = \max_{S'} \varepsilon_{n,S'}\),利用 Ghosal & van der Wal (2000) 的乘积先验收缩定理,得到联合后验收缩速率。
  4. 关键条件:正性假设(Assumption 3)保证每个格点面都有 \(\ge \pi_0\) 的样本比例,从而每个组件的有效样本量 \(\ge \pi_0 n/2\)(Lemma 2)。

Proposition 3(半参数 Bernstein–von Mises) 的证明路线:

  1. 线性泛函:平均效应 \(\bar{\tau}_S = \mathbb{E}[\tau_S(x)]\) 是格点面 \(g_{S'}\) 的线性泛函(通过 Möbius 组合)。
  2. Efficient Influence Function:Lemma 3 给出 \(\bar{\tau}_S\) 的 EIF 为 AIPW 得分的 Möbius 组合,效率界 \(V_S = \text{Var}(\tilde{\varphi}_S)\)。
  3. BvM 条件验证:验证 Castillo & Rousseau (2015) Theorem 2.1 的三个条件:(i) 后验收缩速率(Theorem 1)快于 \(n^{-1/2}\)(需要 \(\alpha_S > d/2\));(ii) 无偏条件(no-bias),即 \(\mathbb{E}[(\hat{e}-e)(\hat{g}-g)] = o(n^{-1/2})\);(iii) 先验在局部渐近正态(LAN)展开方向上有正质量。
  4. 结论:\(\sqrt{n}(\bar{\tau}_S - \bar{\tau}_{S,0}) \Rightarrow N(0, V_S)\),且后验可信区间渐近等价于频率置信区间。

技术技巧点名:

  • 指示器加权核(indicator-weighted kernel):所有组件共享同一个 MCMC 采样核,仅通过指示器 \(D^S\) 区分——这是 Proposition 1 的核心,使得"一个采样器覆盖所有组件"成为可能。
  • Möbius 反演:将因子响应面的估计问题转化为布尔格上的线性代数问题,使得识别证明简洁且与具体先验无关。
  • 交叉拟合(cross-fitting):在 debiased estimator 中,用交叉拟合的倾向得分和结果面估计,避免 Donsker 条件,放宽了熵条件。
  • 逆 Wishart 共轭:叶子参数先验方差与 \(\Sigma\) 成比例,使得 \(\Sigma\) 的条件后验仍是逆 Wishart,实现了高效的 Gibbs 采样。

🔎 结论是否比证明窄

是,存在明显的"证明窄于结论"之处:

  1. Theorem 1 的速率是逐组件的,但作者在摘要和引言中声称"整个响应面以 \(\varepsilon_n\) 收缩"。严格来说,定理只给出了每个 \(\beta_S\) 的边际收缩,联合收缩需要额外的论证(虽然 Lemma 1 的等价性暗示了这一点,但作者没有明确写出联合版本的陈述)。
  2. Proposition 3 的 BvM 结果只对平均效应(ATE)成立,但作者在正文中多次暗示"整个交互面"的不确定性是校准的。作者在 Corollary 1 中明确区分了 ATE(校准)和 CATE(非参数速率,不保证校准),但在摘要中未做此区分。
  3. Theorem 2 的效率结果依赖交叉拟合的倾向得分估计器达到 \(o_P(n^{-1/4})\) 的速率,但作者在正文中没有给出这一速率的验证条件(例如,倾向得分模型的复杂性如何随 \(n\) 增长)。Corollary 2 声称"在同样的光滑性条件下"成立,但没有具体化。
  4. 模拟中的 CATE 覆盖率 0.83–0.93 低于名义水平,作者将其归因于"BART 收缩先验的已知行为",但未提供任何理论解释或修正方案。这实际上是一个未解决的开放问题,而非简单的"已知行为"。

最值得注意的窄结论:Proposition 3 的 BvM 结果要求"无偏条件" \(\mathbb{E}[(\hat{e}-e)(\hat{g}-g)] = o(n^{-1/2})\),这是一个乘积速率条件。作者在 Corollary 2 中声称交叉拟合可以"无需假设"地满足这一条件,但交叉拟合只消除了 Donsker 条件,并没有消除乘积速率条件——它只是将条件从"最坏情况"放宽为"平均情况"。作者没有明确讨论这一区别。

四、开放问题

以下开放问题均扎根于论文的具体语句:

  1. CATE 区间的校准问题。论文在 Corollary 1 中承认"固定 \(n\) 的 CATE 可信区间可能欠覆盖"(模拟中 0.83–0.93),但未提供任何修正方案。要解决的问题是:能否通过 conformal prediction 或交叉拟合的分布校正,使得逐点 CATE 区间在有限样本下达到名义覆盖?这需要发展 BART 后验的有限样本校准理论。

  2. 高阶交互的截断选择。论文对 \(T \geq 3\) 使用 order-\(r\) 截断(保留至多 \(r\) 阶交互),但未给出 \(r\) 的选择准则。要解决的问题是:能否基于数据自适应地选择截断阶数(例如通过稀疏先验或 Bayes 因子),而非预先固定?这涉及高维模型选择与 MCMC 混合的权衡。

  3. \(T \to \infty\) 的渐近。论文在 Appendix A.5 中明确将"\(T\) 固定"列为限制条件,并指出 \(T \to \infty\) 需要"对交互格上的稀疏先验"。要解决的问题是:当处理数随样本量增长时,\(2^T\) 个组件的后验收缩速率如何退化?是否存在类似 Lasso 的稀疏可识别条件?

  4. 未测混杂的敏感性分析。论文在模拟中展示了未测混杂导致估计失效,但仅通过 E-value 报告脆弱性(引用 VanderWeele & Ding 2017),未将其纳入模型。要解决的问题是:能否将隐变量(latent confounder)显式纳入因子分解框架,通过贝叶斯方法进行敏感性分析?

  5. 非连续结果的扩展。论文在 Appendix A.6 中提出通过潜变量(probit/Pólya-Gamma)扩展到二元和计数结果,但明确标注"留待未来工作"。要解决的问题是:在潜变量尺度上,ANOVA/Möbius 分解的交互效应是否仍具有因果解释?潜变量尺度上的交互效应与观测尺度上的交互效应如何转换?

  6. 计算可扩展性。论文的 Gibbs 采样器对每个组件维护一棵树,当 \(T\) 增大时组件数指数增长。要解决的问题是:能否利用组件之间的稀疏性(heredity shrinkage 的先验结构)设计更高效的采样策略,例如基于图模型的块坐标更新?

提醒:要确认上述问题是否为真 gap,建议去读以下近期文献的引言部分(约 5 篇):(a) 关于 BART 后验校准的近期工作(如 2023-2025 年 Bayesian Analysis 上的相关论文);(b) 多处理因果推断的近期综述;(c) 因子实验的贝叶斯非参数方法;(d) 因果森林的贝叶斯扩展。如果这些文献的引言都指向"多处理 × 多结果 × 交互 × 异质性"这一组合尚未被解决,那么上述问题就是值得投入的真 gap;如果已有部分工作覆盖,则需要重新定位。


Maintained by 陈星宇 · Homepage · Source on GitHub

评论