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.