作者
摘要
许多科学和工程挑战,从个性化药物到定制营销建议,都需要了解治疗效果的异质性。在本文中,我们开发了一个非参数因果森林来估计异质处理效果,扩展了Breiman广泛使用的随机森林算法。在具有无边界的潜在结果框架中,我们表明因果森林对于真正的处理效果是逐点一致的,并且具有渐近高斯和中心抽样分布。我们还讨论了一种实用的方法,用于构建以因果森林估计为中心的真实处理效果的渐近置信区间。我们的理论结果依赖于一大类随机森林算法的通用高斯理论。据我们所知,这是第一组允许任何类型的随机森林(包括分类森林和回归森林)用于可证明有效的统计推断的结果。在实验中,我们发现因果森林比基于最近邻匹配的经典方法更有效,尤其是在存在不相关协变量的情况下。
建议引用
Stefan Wager和Susan Athey,2018年。"利用随机森林估算和推断异质性处理效果,"美国统计协会杂志《泰勒与弗朗西斯杂志》,第113卷(523),第1228-1242页,7月。手柄:RePEc:taf:jnlasa:v:113:y:2018:i:523:p:1228-1242
内政部:10.1080/01621459.2017.1319839
从出版商下载全文
由于对此文档的访问受到限制,您可能希望在下面或搜索换一个不同的版本。
此项目的其他版本:
更正
本网站上的所有材料均由各自的出版商和作者提供。您可以帮助纠正错误和遗漏。请求更正时,请提及此项目的句柄:RePEc:taf:jnlasa:v:113:y:2018:i:523:p:1228-1242。请参阅一般信息关于如何在RePEc中更正材料。
如果您编写了此项目,但尚未在RePEc注册,我们鼓励您这样做在这里。这允许将您的个人资料链接到此项目。它还允许您接受我们不确定的该项目的潜在引用。
我们没有这个项目的参考书目。您可以使用这个表格.
如果你知道引用这一条的缺失条目,你可以通过以与上述相同的方式为每个引用条目添加相关引用来帮助我们创建这些链接。如果您是此项目的注册作者,您可能还需要检查您的RePEc作者服务个人资料,因为可能有一些引文等待确认。
有关本项目的技术问题,或更正作者、标题、摘要、书目或下载信息,请联系:Chris Longhurst(以下电子邮件可用)。供应商的一般联系方式:http://www.tandfonline.com/UASA20.
请注意,更正可能需要几周时间才能筛选出来各种RePEc服务。