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。