我们可以使用链接到您的Project Euclid帐户的电子邮件地址帮助您重置密码。
我们提出了广义随机森林,一种基于随机森林的非参数统计估计方法(Breiman[机器。学习。 45(2001)5–32]),可用于拟合确定为一组局部矩方程解的任何感兴趣量。根据局部极大似然估计的文献,我们的方法考虑了一组加权的邻近训练样本;然而,我们使用了一个自适应加权函数,该函数源于一个森林,用于表示指定数量的感兴趣的异质性,而不是使用容易产生强维数灾难的经典核加权函数。我们提出了一种灵活的、计算效率高的广义随机森林生长算法,为我们的方法发展了一个大样本理论,表明我们的估计是一致的和渐近高斯的,并提供了一个渐近方差的估计量,使有效的置信区间成为可能。我们使用我们的方法为三项统计任务开发了新的方法:非参数分位数回归、条件平均部分效应估计和通过工具变量进行异质治疗效应估计。CRAN提供了用于R和C++的软件实现grf。
苏珊·雅西(Susan Athey)。 朱莉·蒂比西拉尼(Julie Tibshirani)。 Stefan Wager。 “广义随机森林。” 安。统计师。 47 (2) 1148 - 1178, 2019年4月。 https://doi.org/10.1214/18-AOS1709