Busca avançada
Ano de início
Entree

Redes Neurais Bayesianas e K-Fold Causal BART para Estimação de CATE

Processo: 24/06274-0
Modalidade de apoio:Bolsas no Brasil - Mestrado
Data de Início da vigência: 01 de julho de 2024
Data de Término da vigência: 31 de janeiro de 2025
Área de conhecimento:Ciências Exatas e da Terra - Probabilidade e Estatística - Estatística
Pesquisador responsável:Francisco Louzada Neto
Beneficiário:Hugo Gobato Souto
Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
Vinculado ao auxílio:13/07375-0 - CeMEAI - Centro de Ciências Matemáticas Aplicadas à Indústria, AP.CEPID
Palavra(s)-Chave do Pesquisador:BART model | Bayesian Neural Networks | causal inference | Causal Machine Learning | Conditional Average Treatment Effect (CATE) | Causal Inference

Resumo

Esta proposta de pesquisa de mestrado tem como foco o pioneirismo no uso de Redes Neurais Bayesianas (BNNs) para estimativa do Efeito de Tratamento Médio Condicional (CATE) e no aprimoramento do uso do modelo Bayesian Additive Regression Tree (BART) para estimativa de CATE, aproveitando a estrutura proposta por Hahn e outros. (2020). Esse projeto de pesquisa aborda a notável lacuna na literatura relativa às aplicações de BNN na estimativa CATE, propondo um avanço metodológico que combina os benefícios teóricos e práticos das BNNs em relação aos modelos tradicionais. Além disso, melhora os atuais modelos baseados em BART para estimativa CATE, incorporando uma abordagem K-fold para diminuir problemas de over-fitting relacionados ao modelo BART, criando o modelo K-Fold Causal BART. A pesquisa visa validar a eficácia do K-Fold Causal BART e dos BNNs na estimativa do CATE por meio de experimentação empírica rigorosa, análise comparativa com modelos estabelecidos e o desenvolvimento de user-friendly open-sorce code para ajudar na adoção do proposto framework em Ciências Sociais e Medicinais, especialmente por profissionais da indústria e pesquisadores que não possuem grande conhecimento de programação. O projeto ressalta o potencial de estratégias de over-fitting e BNNs para aumentar a escalabilidade, velocidade, robustez teórica e generalização na estimativa CATE, contribuindo significativamente para o campo da inferência causal e oferecendo novos caminhos para pesquisas futuras em aprendizado de máquina e estatística.

Matéria(s) publicada(s) na Agência FAPESP sobre a bolsa:
Mais itensMenos itens
Matéria(s) publicada(s) em Outras Mídias ( ):
Mais itensMenos itens
VEICULO: TITULO (DATA)
VEICULO: TITULO (DATA)