Uncertainty Quantification in Heterogeneous Treatment Effect Estimation with Gaussian-Process-Based Partially Linear Model

我们提出了一个贝叶斯推理框架，用于量化治疗效果估计中的不确定性，以支持在相对较小的样本量情况下进行决策。我们提出的模型在半参数模型（部分线性模型）的非参数组件上放置高斯过程先验。这种模型的制定有三个优点。首先，我们可以在不依赖于计算量大的后验逼近的情况下，分析计算出治疗效果的后验分布。其次，我们可以保证随着样本量趋近于无限大，后验分布会集中在真实分布周围。第三，我们可以将治疗效果的先验知识融入先验分布中，提高估计效率。我们的实验结果表明，即使在小样本量情况下，我们的方法也能准确估计异质治疗效果并有效量化其估计不确定性。

提出一种贝叶斯推断框架，用于在小样本情况下量化治疗效果估计的不确定性，支持决策制定。

在半参数模型中，对非参数组件施加高斯过程先验，从而可以在不依赖于计算密集的后验逼近的情况下计算治疗效果的后验分布，保证后验分布在样本量趋近于无穷时集中于真实分布，同时加入先验知识以提高估计效率。

论文的实验结果表明，即使在小样本情况下，该方法也可以准确地估计异质性治疗效果并有效地量化其估计不确定性。该方法还可以灵活地集成先验知识，提高估计效率。

在相关研究方面，最近也有一些关于贝叶斯推断在治疗效果估计中的应用的研究，例如《Bayesian Nonparametric Models for Personalized Treatment Effects to Guide Individualized Treatment Decisions》。