Ordered Correlation Forest
有序相关森林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：摘要明确针对有序分类结果，并与有序 logit、probit 等有序选择模型比较。
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
有序相关森林
- 研究问题
- 对于幸福感或健康自评等有序分类结果，如何减少有序 logit、probit 的参数和分布限制，并估计类别概率与边际效应？
- 方法与思路
- 作者修改随机森林的分裂准则，为各类别分别构建概率估计森林，并利用森林权重计算预测概率和协变量边际效应的标准误。
- 材料陈述的贡献
- 摘要称在诚实性条件下预测一致且渐近正态；合成数据实验显示预测表现改善，并能构造边际效应的有效置信区间。
- 阅读关注点
- 应核对有序信息如何进入分裂准则、各类别概率的协调方式，以及诚实性与其他渐近条件、边际效应的定义。
- 阅读边界
- 这是 arXiv 预印本，同行评审与接收未核实。摘要未给出全部正则条件，合成数据的预测优势不能直接外推到所有应用。
原文摘要
Empirical studies in various social sciences often involve categorical outcomes with inherent ordering, such as self-evaluations of subjective well-being and self-assessments in health domains. While ordered choice models, such as the ordered logit and ordered probit, are popular tools for analyzing these outcomes, they may impose restrictive parametric and distributional assumptions. This paper introduces a novel estimator, the ordered correlation forest, that can naturally handle non-linearities in the data and does not assume a specific error term distribution. The proposed estimator modifies a standard random forest splitting criterion to build a collection of forests, each estimating the conditional probability of a single class. Under an "honesty" condition, predictions are consistent and asymptotically normal. The weights induced by each forest are used to obtain standard errors for the predicted probabilities and the covariates' marginal effects. Evidence from synthetic data shows that the proposed estimator features a superior prediction performance than alternative forest-based estimators and demonstrates its ability to construct valid confidence intervals for the covariates' marginal effects.