- 提出了一种基于高斯过程的部分线性模型的贝叶斯推断框架，用于估计异质性治疗效应。 - 该模型具有三个优点：解析计算治疗效应的后验分布，后验分布在样本量趋于无穷时集中在真实分布附近，可以将治疗效应的先验知识纳入先验分布。 - 实验结果表明，该方法可以准确估计异质性治疗效应并有效量化其估计不确定性。 - 通过在部分线性模型中放置高斯过程先验，可以解决治疗效应异质性的问题，并提供了一种可靠的CATE估计方法。 - 与基于树模型的方法相比，该方法具有更高的估计准确性和更可靠的不确定性估计。 - 与基于频率学派的方法相比，该方法可以通过边缘化函数f来消除混淆偏差，无需估计倾向得分模型。 - 通过理论分析，证明了该方法的后验分布的渐近一致性，进一步验证了其可靠性。 - 在合成数据和半合成数据上进行了实验，与其他方法进行了比较，结果表明该方法在CATE估计上具有较好的性能。 - 介绍了一种基于高斯过程的贝叶斯方法，用于估计个体化的处理效应。 - 该方法在合成数据和真实数据上进行了实验，结果表明其在不同设置下的性能优于其他方法。 - 该方法可以有效地估计处理效应的不确定性，并且可以利用先验知识来提高估计的准确性。 - 在合成数据实验中，该方法在不同设置下的均方误差较低，证明了其有效性。 - 在真实数据实验中，该方法的性能优于其他方法，尤其是在小样本情况下。 - 该方法的优势在于可以处理非线性函数，并且不依赖于近似后验计算。 - 该方法还可以结合先验知识，提高估计的准确性。 - 该方法的理论分析证明了其后验一致性，并提出了进一步的研究方向。