Modified Causal Forest
改进的因果森林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：摘要明确研究可观测选择框架下的多处理因果效应、异质性与政策评估，因此归入因果推断方向。
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
改进的因果森林
- 研究问题
- 在基于可观测变量选择的多处理框架下，如何估计不同细化层级的异质性因果效应，并为各类聚合效应提供推断程序？
- 方法与思路
- 作者从多个方面修改因果森林，开发多处理效应的估计与推断方法，以经验蒙特卡洛研究及积极劳动力市场项目评估展示。
- 材料陈述的贡献
- 摘要称新估计量在理论、计算与应用方面具有良好性质，经验蒙特卡洛结果提示其优于所比较估计量，并展示政策评估用途。
- 阅读关注点
- 应核对森林具体修改、可观测选择与处理重叠条件、不同聚合层级的推断方式，以及经验蒙特卡洛的设计和比较对象。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出具体修改、理论条件或比较数值，优越性仅限其所述研究。
原文摘要
Uncovering the heterogeneity of causal effects of policies and business decisions at various levels of granularity provides substantial value to decision makers. This paper develops estimation and inference procedures for multiple treatment models in a selection-on-observed-variables framework by modifying the Causal Forest approach (Wager and Athey, 2018) in several dimensions. The new estimators have desirable theoretical, computational, and practical properties for various aggregation levels of the causal effects. While an Empirical Monte Carlo study suggests that they outperform previously suggested estimators, an application to the evaluation of an active labour market pro-gramme shows their value for applied research.