Estimation and Inference of Heterogeneous Treatment Effects using Random Forests
利用随机森林估计与推断异质性处理效应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：摘要明确在潜在结果与无混杂框架下研究异质性处理效应及其推断。
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
利用随机森林估计与推断异质性处理效应
- 研究问题
- 如何在潜在结果框架下利用随机森林估计随协变量变化的处理效应，并为这些异质性效应提供有理论依据的置信区间？
- 方法与思路
- 作者将随机森林扩展为非参数因果森林，在无混杂框架下研究其点态一致性与渐近高斯分布，并讨论实用的置信区间构造。
- 材料陈述的贡献
- 摘要称建立了支持森林推断的通用高斯理论；实验中因果森林相较最近邻匹配表现更强，尤其是在含无关协变量时。
- 阅读关注点
- 应核对无混杂之外的森林构造、抽样与正则条件，点态推断的适用范围，以及实验比较指标和置信区间的方差估计方法。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审与接收状态未经核验；摘要未列全理论条件，实验优势也不能推广至所有数据环境。
原文摘要
Many scientific and engineering challenges -- ranging from personalized medicine to customized marketing recommendations -- require an understanding of treatment effect heterogeneity. In this paper, we develop a non-parametric causal forest for estimating heterogeneous treatment effects that extends Breiman's widely used random forest algorithm. In the potential outcomes framework with unconfoundedness, we show that causal forests are pointwise consistent for the true treatment effect, and have an asymptotically Gaussian and centered sampling distribution. We also discuss a practical method for constructing asymptotic confidence intervals for the true treatment effect that are centered at the causal forest estimates. Our theoretical results rely on a generic Gaussian theory for a large family of random forest algorithms. To our knowledge, this is the first set of results that allows any type of random forest, including classification and regression forests, to be used for provably valid statistical inference. In experiments, we find causal forests to be substantially more powerful than classical methods based on nearest-neighbor matching, especially in the presence of irrelevant covariates.