Confidence and Uncertainty Assessment for Distributional Random Forests
分布随机森林的置信与不确定性评估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：摘要核心是多元条件分布、条件分位数及分布差异的估计与推断，因此归入分位数与分布效应。
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…
分布随机森林的置信与不确定性评估
- 研究问题
- 分布随机森林能够估计多元条件分布及多种派生目标时，如何刻画其抽样不确定性，并构造具有渐近覆盖保证的置信区域？
- 方法与思路
- 作者刻画分布随机森林的渐近分布并发展 bootstrap 近似，据此估计标准误和构造置信区域，再以模拟考察低维目标与分布差异检验。
- 材料陈述的贡献
- 摘要称其在已有一致性和收敛率结果之外补充渐近分布与推断工具，并用模拟验证低维目标推断及两个人群分布差异检验的表现。
- 阅读关注点
- 应核对森林构造和渐近理论条件、bootstrap 的实施方式、派生目标所需的额外限制，以及置信区域是逐点还是同时覆盖。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实。摘要未提供理论条件、维度限制或覆盖率数值，不能认定所有分布目标都适用。
原文摘要
The Distributional Random Forest (DRF) is a recently introduced Random Forest algorithm to estimate multivariate conditional distributions. Due to its general estimation procedure, it can be employed to estimate a wide range of targets such as conditional average treatment effects, conditional quantiles, and conditional correlations. However, only results about the consistency and convergence rate of the DRF prediction are available so far. We characterize the asymptotic distribution of DRF and develop a bootstrap approximation of it. This allows us to derive inferential tools for quantifying standard errors and the construction of confidence regions that have asymptotic coverage guarantees. In simulation studies, we empirically validate the developed theory for inference of low-dimensional targets and for testing distributional differences between two populations.