提出了一种针对小效应、异质性效应和强混淆情况下估计异质性治疗效应的新型非线性回归模型，它通过直接将倾向函数估计值纳入响应模型的规范化中，隐式地在回归函数上产生一个协变量依赖的先验，从而回避了标准非线性回归模型在针对混淆强的数据上所产生的治疗效应估计偏倚的问题。同时，这种基于贝叶斯因果森林模型的方法使得治疗效应的异质性能够被分别规范化，从而实现对异质性进行信息收缩。通过对一项关于吸烟对医疗支出因果效应的观察性研究重新分析和广泛的模拟研究，我们表明了这些好处。

Jun, 2017

本文介绍了一种创新的贝叶斯机器学习算法，可在存在不完善合规性（例如，在不规则的分配机制下）的情况下对异质性因果效应进行可解释的推断。该算法表现出比其他面向因果推断的机器学习技术更好的性能，并在控制叶子级别的错误率（或 - 较宽松地控制错误发现率）的同时发现和估计异质性因果效应。该算法在工具变量场景中揭示了因果效应的异质性，为政策制定者提供了有用的工具。其实证应用评估了增加资金对学生绩效的影响。结果表明，BCF-IV 可用于提高学校资金对学生绩效的有效性。

May, 2019

Bayesian 加法回归树模型（BART）是一种常用的贝叶斯非参数回归模型，广泛应用于因果推断等领域。然而，本文表明 BART 采样器的收敛速度往往较慢，尤其在具有离散协变量的情况下。随着训练样本的增加，近似 BART 后验与精确后验逐渐不同，这对先前关于精确后验的收敛性结果形成了鲜明对比。通过模拟实验证实了近似后验置信区间的频率覆盖不足以及通过多个采样链平均改善收敛性所得到的近似后验均方误差与精确后验之间的比率的增加。基于我们的理论洞见，我们还讨论了改进 BART 采样器收敛性能的可能性。

Jun, 2024

本文介绍了 Bayesian Topic Regression 模型，该模型使用文本和数字信息以建模结果变量，并允许估计离散和连续处理效应，同时结合了有监督的表示学习和贝叶斯回归框架，以处理文本数据和数字混淆因素，证明了本文方法在合成和半合成数据集上降低偏差，并在两个真实数据集上展示了具体效果。

Sep, 2021

本文介绍了基于贝叶斯回归的非参数贝叶斯回归方法，该方法使用适应维度随机基元素。文中还介绍了此方法的许多特点，包括向后选择变量，以及使用 42 个不同的数据集进行的性能检验和模拟实验，这也应用于药物发现分类问题中。

Jun, 2008

通过建立机器学习中的分布泛化与计量经济学中的联立方程模型和控制函数之间的新连接，本研究旨在解决在存在未观测混淆时，训练数据和测试数据不同时的预测问题。我们提出了用于分布泛化的联立方程模型，并引入了增强控制函数（BCF）作为推断目标来成功预测潜在 SIMDG 的干预版本。

Oct, 2023

提出了基于贝叶斯思想的后处理随机森林正则化方法，旨在提高其在机器学习任务中的泛化性能并取得了令人满意的结果。

Jun, 2023

本文提出了利用一种新标准进行训练贝叶斯决策树的方法，得到的树的分类准确度可与贪婪构造的决策树相媲美或更好，同时树的大小显著减小，并可以在数据集大小的多项式时间内进行后验学习和采样。

Feb, 2023

介绍了一种基于机器学习的方法，通过非线性条件异方差回归和改进的重要性采样方法估计后验概率密度，相较于现有方法在统计遗传学和排队模型等领域计算负担减轻了不少。

Sep, 2008

本文介绍了一种非参数因果森林方法，用于估计异质性处理效应，并讨论了一种实用方法以构建渐近置信区间来评估真实处理效应，结果表明在存在无关协变量的情况下，因果森林方法比最近邻匹配等经典方法更为有效。

Oct, 2015