Variable Selection for Causal Inference via Outcome-Adaptive Random Forest
基于结果自适应随机森林的因果推断变量选择AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要以观察数据的因果效应、混杂控制和倾向得分变量选择为核心，直接对应因果推断方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
基于结果自适应随机森林的因果推断变量选择
- 研究问题
- 在高维且关系可能非线性的观察数据中，如何为倾向得分选择有助于因果效应估计的变量，并排除大量与结果无关的协变量？
- 方法与思路
- 作者提出结果自适应随机森林，通过结果关联筛选倾向得分模型中的变量，并以模拟及导管使用、孕期吸烟两个应用评价。
- 材料陈述的贡献
- 摘要称，该方法在模拟中取得较低偏差和方差及较好的变量选择表现；两个应用的效应接近既有发现，但置信区间更窄。
- 阅读关注点
- 应核对结果信息如何用于森林和变量筛选、高维与非线性设定、选择后的推断处理，以及应用中混杂控制是否充分。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明完整识别条件，模拟中的无偏表现和较窄区间不保证普遍有效。
原文摘要
Estimating a causal effect from observational data can be biased if we do not control for self-selection. This selection is based on confounding variables that affect the treatment assignment and the outcome. Propensity score methods aim to correct for confounding. However, not all covariates are confounders. We propose the outcome-adaptive random forest (OARF) that only includes desirable variables for estimating the propensity score to decrease bias and variance. Our approach works in high-dimensional datasets and if the outcome and propensity score model are non-linear and potentially complicated. The OARF excludes covariates that are not associated with the outcome, even in the presence of a large number of spurious variables. Simulation results suggest that the OARF produces unbiased estimates, has a smaller variance and is superior in variable selection compared to other approaches. The results from two empirical examples, the effect of right heart catheterization on mortality and the effect of maternal smoking during pregnancy on birth weight, show comparable treatment effects to previous findings but tighter confidence intervals and more plausible selected variables.