Attenuated Heterogeneity in Fixed-Effects Causal Forests, and a Cross-Fitted Correction
固定效应因果森林中的异质性衰减及交叉拟合校正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：摘要明确研究固定效应面板中的条件平均处理效应和因果森林校准，直接对应因果推断与面板数据。
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
固定效应因果森林中的异质性衰减及交叉拟合校正
- 研究问题
- 固定效应面板中的因果森林是否压缩条件处理效应的差异，为什么平均效应重新中心化不足以修复这种衰减？
- 方法与思路
- 作者比较叶节点效应平均与相似度加权森林，在组内变换信号上诊断衰减，并以袋外估计的线性校准斜率修正。
- 材料陈述的贡献
- 摘要将异质性衰减诊断作为主要贡献，报告模拟中校正降低 CATE 均方误差，并提供最低工资面板应用与软件包。
- 阅读关注点
- 应核对衰减关系是理论结果还是设计内近似、校准斜率的估计与交叉拟合方式，以及真实应用中恢复差异的判断基准。
- 阅读边界
- 这是预印本，同行评审与期刊接收均未核实。摘要所报误差改善来自特定模拟，不能据此认定其他面板或森林均获益。
原文摘要
Causal forests that estimate conditional average treatment effects by averaging honest leaf-level effects across trees are widely used in fixed-effects panel settings. We show that this averaging systematically attenuates the estimated heterogeneity: the raw prediction behaves like a + b*tau(x) with slope b < 1, so the spread of the CATEs is compressed toward the average effect, and the additive recentering used to report an unbiased average treatment effect does not fix it. Benchmarking against a similarity-weight generalized random forest on the same within-transformed signal, we find both estimators attenuate but the leaf-averaging construction attenuates materially more. We characterize how b moves with the design, worsening with lower signal-to-noise, smaller panels, and higher dimension; this diagnosis is our main contribution. As a remedy we adapt the best-linear-predictor calibration of Chernozhukov et al., estimating the de-attenuation slope out-of-bag so that it is self-contained within the observational panel and asymptotically inert under a homogeneous effect. In simulations the correction cuts CATE mean-squared error by 25-42% relative to the recentering default; on a standard county minimum-wage panel the attenuation is present but mild and the correction restores the imposed spread. We ship the method in the causalfe Python package.