Forest Kernel Balancing Weights: Outcome-Guided Features for Causal Inference
森林核平衡权重：由结局引导的因果推断特征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：摘要明确以观察研究中的协变量平衡和混杂控制为方法目标。
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…
森林核平衡权重：由结局引导的因果推断特征
- 研究问题
- 观察性因果推断中应平衡哪些协变量特征，能否利用结局预测信息选择重要的非线性和交互结构来改善权重？
- 方法与思路
- 作者利用随机森林和 BART 中观测同落叶节点形成的隐式核，学习由结局引导的基线特征相似性，再进行核平衡。
- 材料陈述的贡献
- 摘要称，模拟和应用中，相比不利用结局信息学习特征的标准核方法，森林核平衡获得计算和统计表现上的改善。
- 阅读关注点
- 应核对结局用于核学习的流程、是否采用样本分割、平衡误差的控制，以及权重极端性和最终因果推断如何处理。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列出因果识别及推断条件，所述改善不代表对所有核方法占优。
原文摘要
While balancing covariates between groups is central for observational causal inference, selecting which features to balance remains a challenging problem. Kernel balancing is a promising approach that first estimates a kernel that captures similarity across units and then balances a (possibly low-dimensional) summary of that kernel, indirectly learning important features to balance. In this paper, we propose forest kernel balancing, which leverages the underappreciated fact that tree-based machine learning models, namely random forests and Bayesian additive regression trees (BART), implicitly estimate a kernel based on the co-occurrence of observations in the same terminal leaf node. Thus, even though the resulting kernel is solely a function of baseline features, the selected nonlinearities and other interactions are important for predicting the outcome -- and therefore are important for addressing confounding. Through simulations and applied illustrations, we show that forest kernel balancing leads to meaningful computational and statistical improvement relative to standard kernel methods, which do not incorporate outcome information when learning features.