causalfe: Causal Forests with Fixed Effects in Python
causalfe：带固定效应的因果森林 Python 实现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：摘要明确以面板数据中的异质处理效应估计为目标，并处理个体与时间固定效应。
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…
关注这篇论文的作者
causalfe：带固定效应的因果森林 Python 实现
- 研究问题
- 在含个体与时间固定效应的面板数据中，如何减少固定效应造成的虚假处理效应异质性，并实现相应的因果森林估计？
- 方法与思路
- 作者在树构建时对每个候选分裂执行节点层面的残差化，以移除固定效应，并提供方法说明、软件接口及模拟演示。
- 材料陈述的贡献
- 摘要介绍带固定效应因果森林的 Python 软件包，并称多个数据生成过程下的模拟支持该估计方法的表现。
- 阅读关注点
- 应核对节点内残差化的具体实现、处理效应识别条件、面板样本如何划分，以及模拟是否覆盖关键的异质性与依赖情形。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未说明识别假设、推断方法或软件性能的具体数值。
原文摘要
The causalfe package provides a Python implementation of Causal Forests with Fixed Effects (CFFE) for estimating heterogeneous treatment effects in panel data settings. Standard causal forest methods struggle with panel data because unit and time fixed effects induce spurious heterogeneity in treatment effect estimates. The CFFE approach addresses this by performing node-level residualization during tree construction, removing fixed effects within each candidate split rather than globally. This paper describes the methodology, documents the software interface, and demonstrates the package through simulation studies that validate the estimator's performance under various data generating processes.