ABSTRAK
Dalam studi observasional longitudinal dengan faktor pengganggu yang berubah-ubah seiring waktu, rumus algoritma komputasi umum (rumus-g) adalah alat berprinsip untuk memperkirakan efek kausal rata-rata dari rejimen pengobatan. Namun, implementasi rumus-g non-iteratif standar memerlukan penentuan distribusi kondisional dari hasil dan distribusi gabungan dari semua kovariat yang berubah-ubah seiring waktu. Proses ini dapat rumit untuk diimplementasikan dan rentan terhadap bias kesalahan spesifikasi model. Sebagai alternatif, penaksir rumus-g ekspektasi kondisional iteratif (ICE) semata-mata bergantung pada serangkaian regresi hasil bersarang dan menghindari kebutuhan untuk menentukan distribusi penuh dari semua kovariat yang berubah-ubah seiring waktu. Kesederhanaan ini mengarah pada integrasi alami dari teknik pembelajaran mesin yang fleksibel untuk mengembangkan penaksir efek kausal rata-rata yang lebih tangguh dengan perawatan yang berubah-ubah seiring waktu. Dalam karya ini, kami memperkenalkan pendekatan Bayesian yang mencakup regresi parametrik dan Pohon Regresi Aditif Bayesian untuk memodelkan serangkaian permukaan hasil secara fleksibel. Kami menyesuaikan rumus g ICE dan mengembangkan algoritma pengambilan sampel untuk memperoleh sampel dari distribusi posterior penaksir efek kausal akhir. Kami mengilustrasikan karakteristik kinerja penaksir ICE Bayesian dan variasi terkait melalui studi simulasi dan aplikasi pada dua contoh data dunia nyata.