統計学輪講 第19回

統計的因果推論は、ある処置が結果に対して与える効果(因果効果)を評価するための枠組みである。近年は、個体ごとの因果効果の異質性を考慮し、機械学習の手法を用いて条件付き因果効果を推定する取り組みに注目が集まっており、機械学習と因果推論の接点が広がりを見せている。そのアプローチの一つとして、Bayesian Additive Regression Trees(BART)を用いた手法であるBayesian Causal Forestが提案された[1]。
BARTは、回帰木をベースとしたベイズ的なノンパラメトリック回帰の手法であり、回帰関数の推定や、予測において良い性能を発揮する[2]。
本発表では、まず因果推論の基本的な枠組みについて述べ、BART、またそれを用いた条件付き因果効果の推定手法であるBayesian Causal Forestについて紹介する。

参考文献：
[1] P. R. Hahn, J. S. Murray and C. M. Carvalho (2020), Bayesian Regression Tree Models for Causal Inference: Regularization, Confounding, and Heterogeneous Effects. Bayesian Analysis, Vol. 15, No. 3, pp. 965-1056.
[2] H. A. Chipman, E. I. George and R. I. McCulloch (2010), BART: Bayesian Additive Regression Trees. Annals of Applied Statistics, Vol. 4, No. 1, pp. 266-298.