用于零膨胀连续结局的贝叶斯因果森林

arXiv:2610.18889v1 公告类型：交叉发布 摘要：尽管半连续数据（即在零点具有离散概率质量，且正值部分呈偏态连续分布）在现实场景中十分常见，但当结局属于此类数据时，估计（异质性）处理效应仍然具有挑战性。现有方法要么忽略零点概率质量，要么施加脆弱的参数假设，要么面临极高的计算成本和数据增强噪声。本文提出 Zero-Inflated Continuous Bayesian Causal Forests with Duan's Smearing（ZIC-BCF-Smear），这是一种解耦的两部分非参数估计器：在完整样本上拟合 Probit BCF，以建模是否参与；仅在活跃子群体上拟合 Gaussian BCF，以建模正值强度。子群体倾向调整（SPA）可减轻活跃子群体内由正则化引起的混杂，而 Duan 的非参数涂抹估计器则将预测值逆变换回响应尺度，避开参数模型中脆弱的尺度乘数。全面的模拟基准测试表明，ZIC-BCF-Smear 无需依赖参数模型的假设，即可达到设定正确的参数模型的表现；对于非线性数据，当竞争方法发散或出现异常的过度覆盖时，该方法仍能保持稳定且校准良好。随后，我们将该方法应用于 SPECTRUM 头颈癌随机 III 期试验的个体参与者数据，估计分配至帕尼单抗联合化疗对患者经历严重毒性的天数的因果效应；对于这一结局，四分之一患者的观测值恰为零。在该试验本身存在治疗持续时间差异的条件下，分配至帕尼单抗治疗使每位患者的这一负担增加约十天；解耦结构进一步表明，该效应主要体现在正值强度部分，而非重建的严重不良事件（AE）负担是否为正。