Analise de efeitos de tratamento em modelos de árvores Bayesianas
A inclusão do escore de propensão como uma covariável em modelos de árvores de regressão Bayesianas para inferência causal pode reduzir o viés existente nas estimações de efeitos de tratamento, o qual ocorre devido ao fenômeno de confudimento induzido por regularização. Este estudo defende o uso do...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Estado: | Versión publicada |
| Fecha de publicación: | 2019 |
| País: | Brasil |
| Institución: | Universidade de São Paulo (USP) |
| Repositorio: | Biblioteca Digital de Teses e Dissertações da USP |
| Idioma: | portugués |
| OAI Identifier: | oai:teses.usp.br:tde-27072019-160701 |
| Acceso en línea: | http://www.teses.usp.br/teses/disponiveis/45/45133/tde-27072019-160701/ |
| Access Level: | acceso abierto |
| Palabra clave: | BART Causalidade Causality Escore de propensão Propensity score |
| Sumario: | A inclusão do escore de propensão como uma covariável em modelos de árvores de regressão Bayesianas para inferência causal pode reduzir o viés existente nas estimações de efeitos de tratamento, o qual ocorre devido ao fenômeno de confudimento induzido por regularização. Este estudo defende o uso do escore de propensão por meio de um panorama de seleção de variáveis totalmente Bayesiano, e através do uso de Gráficos de Expectativa Individual Condicional, que se trata de um elemento que pode aprimorar a análise de efeitos de tratamento. Tal ferramental pode ser utilizado como meio de identificar grupos que possuem diferentes respostas ao tratamento aplicado e para analisar o impacto de cada variável no efeito de tratamento estimado. |
|---|