Motivated by environmental health research on air pollution, we address the challenge of estimation and uncertainty quantification of causal exposure-response function (CERF). The CERF describes the relationship between a continuously varying exposure (or treatment) and its causal effect on a outcome. We propose a new Bayesian approach that relies on a Gaussian process (GP) model to estimate the CERF. We parametrize the covariance (kernel) function of the GP to mimic matching via a Generalized Propensity Score (GPS). The tuning parameters of the matching function are chosen to optimize covariate balance. Our approach achieves automatic uncertainty evaluation of the CERF with high computational efficiency, enables change point detection through inference on derivatives of the CERF, and yields the desired separation of design and analysis phases for causal estimation. We provide theoretical results showing the correspondence between our Bayesian GP framework and traditional approaches in causal inference for estimating causal effects of a continuous exposure. We apply the methods to 520,711 ZIP-code-level observations to estimate the causal effect of long-term exposures to PM2.5 on all-cause mortality among Medicare enrollees in the United States.


翻译:在对空气污染进行环境卫生研究的推动下,我们应对因果接触-反应功能的估计和不确定性量化挑战。中央应急循环基金描述了持续变化的接触(或处理)及其对结果的因果关系之间的关系。我们提议采用新的巴伊西亚方法,以高斯进程模型为基础来估计中央应急循环基金。我们用通用预测分数(GPS)来模拟GP的共变(核心)功能。选择匹配功能的调试参数是为了优化共变平衡。我们的方法是以高计算效率对中央应急循环基金进行自动的不确定性评估,通过推断中央应急循环基金衍生物来进行改变点检测,并实现预期的因果估计设计和分析阶段的分离。我们提供理论结果,表明我们的巴伊斯政府GP框架和因果推断传统方法之间的对应关系,以估计持续接触的因果影响。我们采用了520 711 ZIP编码级观测方法,以估计长期接触PM2.5对美国MITA注册公司所有原因的死亡率的因果关系。

0
下载
关闭预览

相关内容

因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
【Uber AI新论文】持续元学习,Learning to Continually Learn
专知会员服务
36+阅读 · 2020年2月27日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
已删除
将门创投
4+阅读 · 2019年6月5日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
人工智能 | PRICAI 2019等国际会议信息9条
Call4Papers
6+阅读 · 2018年12月13日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
强化学习族谱
CreateAMind
26+阅读 · 2017年8月2日
Arxiv
110+阅读 · 2020年2月5日
VIP会员
相关资讯
已删除
将门创投
4+阅读 · 2019年6月5日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
人工智能 | PRICAI 2019等国际会议信息9条
Call4Papers
6+阅读 · 2018年12月13日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
强化学习族谱
CreateAMind
26+阅读 · 2017年8月2日
Top
微信扫码咨询专知VIP会员