Causal Forest

新的GP-CATE方法通过校准不确定性改进处理效应估计

研究人员开发了GP-CATE，一种用于估计具有校准不确定性区间（CATE）的新方法，特别是在一个治疗组数据有限的情况下（少安慰剂模型）。研究发现，X-Learner及其贝叶斯扩展等传统方法存在覆盖不足的问题，意味着它们的置信区间不如声称的那样可靠。GP-CATE通过使用高斯过程对结果曲面进行建模来解决这个问题，允许稀疏组的不确定性直接影响后验，从而在其他方法失败的基准测试中获得更准确的覆盖率。