Generalized random forests
广义随机森林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。
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：摘要明确列举工具变量异质处理效应估计与非参数分位数回归，直接对应因果推断及分位数方向。
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…
广义随机森林
- 研究问题
- 如何用随机森林估计由局部矩方程识别的非参数目标，并对分位数、条件平均偏效应和工具变量异质处理效应进行推断？
- 方法与思路
- 作者以针对目标异质性生长的森林生成自适应邻近权重，求解局部矩方程，并构造渐近方差估计用于置信区间。
- 材料陈述的贡献
- 摘要称，方法具有计算高效的算法及一致性、渐近正态性理论，并用于三类统计任务；摘要还报告了 R 与 C++ 实现。
- 阅读关注点
- 应核对森林生长和权重构造、局部矩目标的识别条件、渐近理论及方差估计要求，尤其关注工具变量应用的因果假设。
- 阅读边界
- 仅依据所给 OpenAlex 摘要版本；未列出识别与正则条件、有限样本表现或软件当前状态，不能据此保证任意目标的有效推断。
原文摘要
We propose generalized random forests, a method for nonparametric statistical estimation based on random forests (Breiman [Mach. Learn. 45 (2001) 5–32]) that can be used to fit any quantity of interest identified as the solution to a set of local moment equations. Following the literature on local maximum likelihood estimation, our method considers a weighted set of nearby training examples; however, instead of using classical kernel weighting functions that are prone to a strong curse of dimensionality, we use an adaptive weighting function derived from a forest designed to express heterogeneity in the specified quantity of interest. We propose a flexible, computationally efficient algorithm for growing generalized random forests, develop a large sample theory for our method showing that our estimates are consistent and asymptotically Gaussian and provide an estimator for their asymptotic variance that enables valid confidence intervals. We use our approach to develop new methods for three statistical tasks: nonparametric quantile regression, conditional average partial effect estimation and heterogeneous treatment effect estimation via instrumental variables. A software implementation, grf for R and C++, is available from CRAN.