論文の概要: Graph-Split Bayesian Causal Forest for Spatial Heterogeneous Treatment Effect Estimation

• arxiv url: http://arxiv.org/abs/2609.36046v1
• Date: Mon, 28 Sep 2026 18:08:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:46.92717
• Title: Graph-Split Bayesian Causal Forest for Spatial Heterogeneous Treatment Effect Estimation
• Title（参考訳）: 空間的不均一処理効果評価のためのグラフ分割ベイズカウサルフォレスト
• Abstract要約: ヘテロジニアス処理効果(HTE)を推定しながら空間依存を考慮に入れることは、空間因果推論における中心的な課題である。 グラフスプリットベイズカウサルフォレスト(GSBCF)と呼ばれる空間構造を考慮したベイズ非パラメトリック手法を提案する。 GSBCFは、グラフ分割されたベイジアン付加回帰木(GS-BART)とベイジアン因果林の確率-スコア回帰フレームワークを統合する。
• 参考スコア（独自算出の注目度）: 4.761353887273484
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In spatial observational studies, treatment assignment and outcomes often exhibit spatial dependence patterns, and treatment effects may vary across space and subpopulations due to both measured and unmeasured spatially structured confounders. Accounting for spatial dependence while estimating heterogeneous treatment effects (HTEs) is a central task in spatial causal inference. Causal Bayesian additive regression tree methods are popular nonparametric methods for modeling and estimating HTEs. Despite their flexibility and uncertainty quantification, the axis-aligned split rules often adopted in these models are not suitable for modeling spatial structures. We propose a spatial structure-aware Bayesian nonparametric method, called Graph-Split Bayesian Causal Forest (GSBCF), that integrates graph-split Bayesian additive regression trees (GS-BART) with the Bayesian causal forest propensity-score regression framework for spatial heterogeneous causal inference. Spatial confounding is accommodated through graph-guided split rules in modeling decision trees of the prognostic and HTE functions. We develop an efficient informed proposal sampling algorithm for posterior computation, enabling full Bayesian inference of the spatial conditional average treatment effect function. Simulations and a real data study demonstrate substantially improved estimation accuracy and uncertainty quantification over existing causal BART methods.
• Abstract（参考訳）: 空間観察研究において、治療の割り当てと結果はしばしば空間依存パターンを示し、治療効果は空間的および非測定的な空間構造的共同設立者の両方によって空間的およびサブポピュレーションによって異なる可能性がある。 ヘテロジニアス処理効果(HTE)を推定しながら空間依存を考慮に入れることは、空間因果推論における中心的な課題である。 因果ベイズ加法的回帰木法はHTEをモデル化および推定するための一般的な非パラメトリック法である。 その柔軟性と不確実性の定量化にもかかわらず、これらのモデルでしばしば採用される軸整列分割規則は空間構造のモデル化には適さない。 本研究では,空間異質因果推論のための空間構造を考慮したベイズ的非パラメトリック手法であるグラフ分割ベイズ的因果回帰木 (GS-BART) とベイズ的因果森林の確率-スコア回帰フレームワークを統合したグラフ分割ベイズ的因果回帰木 (GSBCF) を提案する。 空間共役は、確率関数とHTE関数の決定木をモデル化する際のグラフ誘導分割規則によって許容される。 本研究では,空間条件の平均処理効果関数のベイズ的完全推定を可能にする,後続計算のための効率的な情報提示サンプリングアルゴリズムを開発した。 シミュレーションと実データ研究により,既存の因果BART法に対する推定精度と不確かさの定量化が大幅に向上した。

関連論文リスト

• Joint Model and Data Sparsification via the Marginal Likelihood [53.29070892356214]
  本稿では,個々の特徴とサンプルの相違点を同時学習し,同時にモデルとデータスペーシングを実現することを提案する。 このモデルとデータの対称的なプルーニングは、共役を保存する自然な拡張を提供する。 多様な回帰タスクにわたる経験的結果は、共同ARDアプローチがスパースモデルとロバスト予測モデルの両方を一貫して生成することを確認した。
  論文  参考訳（メタデータ） (2026-05-28T13:26:53Z)
• Causality-Encoded Diffusion Models for Interventional Sampling and Edge Inference [12.531769483039405]
  本稿では,有向非巡回グラフを組み込んだ因果符号化拡散フレームワークを提案する。 得られたサンプリング器は、観測分布をほぼ復元し、介入サンプリングを可能にする。 フローデータへの適用は,提案手法の有効性を実証するものである。
  論文  参考訳（メタデータ） (2026-04-23T16:32:49Z)
• Nonparametric Data Attribution for Diffusion Models [57.820618036556084]
  生成モデルのデータ属性は、個々のトレーニング例がモデル出力に与える影響を定量化する。 生成画像とトレーニング画像のパッチレベルの類似性によって影響を測定する非パラメトリック属性法を提案する。
  論文  参考訳（メタデータ） (2025-10-16T03:37:16Z)
• Doubly robust estimation of causal effects for random object outcomes with continuous treatments [8.874402662101234]
  因果推論は統計学と科学的発見の中心である。 現代のアプリケーションは複雑で非ユークリッド的なデータ構造をますます含んでいる。 本稿では,非ユークリッドデータに適用した継続的治療による因果推論のための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2025-06-28T04:55:12Z)
• Bayesian Semi-Parametric Spatial Dispersed Count Model for Precipitation Analysis [0.5399800035598186]
  非パラメトリック手法と、更新理論に基づく分散カウントモデルを組み合わせる方法である。 アイオワ州の肺がんと気管支がんの死亡データに適用し、環境と人口統計の要因を強調している。 この応用は、公衆衛生研究における方法論の重要性を強調するものである。
  論文  参考訳（メタデータ） (2025-03-24T20:13:55Z)
• BARTSIMP: flexible spatial covariate modeling and prediction using Bayesian additive regression trees [0.0]
  本稿では,ガウス過程空間モデルとベイズ加法回帰木(BART)モデルの組み合わせについて検討する。 マルコフ連鎖モンテカルロとIntegrated Nested Laplace Approximation (INLA)技術を組み合わせることにより、アプローチの計算負担を低減させる。 次に、このモデルを用いてケニアの人文的反応を予測し、複雑なサンプリング設計を用いてデータを収集する。
  論文  参考訳（メタデータ） (2023-09-23T05:35:17Z)
• BCDAG: An R package for Bayesian structure and Causal learning of Gaussian DAGs [77.34726150561087]
  観測データから因果関係の発見と因果関係を推定するためのRパッケージを提案する。 我々の実装は、観測回数とともに効率的にスケールし、DAGが十分にスパースであるたびに、データセット内の変数の数を削減します。 次に、実際のデータセットとシミュレーションデータセットの両方で、主な機能とアルゴリズムを説明します。
  論文  参考訳（メタデータ） (2022-01-28T09:30:32Z)
• Scalable Intervention Target Estimation in Linear Models [52.60799340056917]
  因果構造学習への現在のアプローチは、既知の介入目標を扱うか、仮説テストを使用して未知の介入目標を発見する。 本稿では、全ての介入対象を一貫して識別するスケーラブルで効率的なアルゴリズムを提案する。 提案アルゴリズムは、与えられた観測マルコフ同値クラスを介入マルコフ同値クラスに更新することも可能である。
  論文  参考訳（メタデータ） (2021-11-15T03:16:56Z)
• Estimation of Bivariate Structural Causal Models by Variational Gaussian Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
  因果機構は構造因果モデルによって記述できる。 最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
  論文  参考訳（メタデータ） (2021-09-06T14:52:58Z)
• Semiparametric Bayesian Forecasting of Spatial Earthquake Occurrences [77.68028443709338]
  本稿では, Epidemic Type Aftershock Sequence (ETAS) モデルのベイズ的完全定式化を提案する。 地理的領域における主震の発生は不均一な空間的点過程に従うと仮定される。
  論文  参考訳（メタデータ） (2020-02-05T10:11:26Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。