我们可以使用链接到您的Project Euclid帐户的电子邮件地址帮助您重置密码。
本文介绍了一种创新的贝叶斯机器学习算法，用于在不完全服从情况下（例如，在不规则分配机制下）对异质因果效应进行可解释推理。我们通过蒙特卡罗模拟表明，提出的带有工具变量的贝叶斯因果森林（BCF-IV）该方法在发现和估计异质因果效应的同时，在叶级控制家庭错误率（或者更严格地说，错误发现率）方面优于其他为因果推理定制的机器学习技术。BCF-IV揭示了工具变量情景中因果效应的异质性，进而为决策者提供了针对性政策的相关工具。它的实证应用评估了额外资金对学生成绩的影响。结果表明，BCF-IV可用于提高学校资助对学生表现的有效性。
Falco J.Bargagli-Stoffi承认Alfred P.Sloan基金会拨款资助开发“复杂治疗方案的因果推断：设计、识别、估计和异质性”，并获得2021年哈佛数据科学倡议博士后研究基金奖的资助。克里斯托夫·德维特（Kristof De Witte）承认来自斯滕普特·索诺（Steunplant SONO）和库·鲁文（KU Leuven）的资助（C24/18/005）。
我们感谢副主编和两位匿名推荐人的宝贵意见。
法尔科·J·巴尔加利·索菲。 克里斯托夫·德维特。 乔治·格内科（Giorgio Gnecco）。 “不完全遵从性的异质因果效应：贝叶斯机器学习方法。” 附录申请。斯达。 16 (3) 1986 - 2009, 2022年9月。 https://doi.org/10.1214/21-AOAS1579
