A Random Forest–Based Panel Data Approach for Program Evaluation
基于随机森林的面板数据政策评价方法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。
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：摘要核心是面板数据下的对照单位选择、反事实预测及政策平均处理效应检验。
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
基于随机森林的面板数据政策评价方法
- 研究问题
- 当潜在对照单位很多时，如何在面板政策评价中选择相关对照，平衡处理前拟合与处理后反事实预测，并检验平均处理效应？
- 方法与思路
- 作者提出随机森林对照选择方法，讨论无平均处理效应原假设下的渐近正态性和检验，并通过模拟及两项政策应用评价。
- 材料陈述的贡献
- 摘要称方法能选择几乎所有相关对照、减少候选模型需求，模拟表现优于比较方法，并用于脱欧与中国反腐政策的影响评价。
- 阅读关注点
- 核对随机森林如何筛选对照、反事实预测的识别条件，以及无效应原假设下的理论范围、调参和模拟比较的公平性。
- 阅读边界
- 仅据所给 Crossref 摘要解读，未核验刊本变化；相关对照定义、理论条件和优势幅度未说明，不能认定对所有政策和数据均更优。
原文摘要
ABSTRACT It is challenging to conduct controlled experiments to assess the impacts of social policy. To address this, past studies propose a panel data approach using factor models to estimate average treatment effects. The selection of control units is a critical step to balance the goodness of fit within‐sample with the posttreatment forecasting error when the number of observed potential control units is large. In this study, we propose using random forests, an ensemble learning method, which offers robustness and requires fewer candidate models compared to existing methods. We demonstrate that our approach effectively selects almost all relevant control units, and we provide asymptotic normality results under the null of no average treatment effect and significance tests for policy interventions. Extensive simulations confirm the method's superior performance. In the empirical studies, we showcase the usefulness of the method by evaluating the impact of Brexit on the United Kingdom's GDP growth and China's anti‐corruption campaign on the importation of luxury watches.