提出了一种针对小效应、异质性效应和强混淆情况下估计异质性治疗效应的新型非线性回归模型,它通过直接将倾向函数估计值纳入响应模型的规范化中,隐式地在回归函数上产生一个协变量依赖的先验,从而回避了标准非线性回归模型在针对混淆强的数据上所产生的治疗效应估计偏倚的问题。同时,这种基于贝叶斯因果森林模型的方法使得治疗效应的异质性能够被分别规范化,从而实现对异质性进行信息收缩。通过对一项关于吸烟对医疗支出因果效应的观察性研究重新分析和广泛的模拟研究,我们表明了这些好处。
Jun, 2017
本研究旨在使用反事实框架结合随机森林 (RF) 来估计个体治疗效应,不受观察数据中共变量和选择偏差影响,并通过对比实验发现,针对共变量自适应的方法优于其他方法,以此揭示了药物使用与性风险之间的重要联系。
Jan, 2017
该研究提出了广义随机森林方法,用于基于随机森林进行非参数统计估计,可以用于拟合任何被识别为满足一组局部矩方程的解的感兴趣数量,提出了一种灵活且计算有效的算法以及新的非参数回归,条件平均偏差估计和异质性治疗效应估计方法,通过本研究可用 GRF 软件实现。
Oct, 2016
我们提出并实施了一种方法,通过基于广义线性模型比较的新颖节点分割过程,修改因果森林以针对相对风险目标。我们展示了对模拟和真实数据的结果,表明相对风险因果森林可以捕捉到未观察到的异质性来源。
Sep, 2023
我们提出了正交随机森林算法,该算法结合了 Neyman - 正交减少估计误差对无关参数的敏感度,与广义随机森林,通过随机森林对条件矩模型进行灵活的非参数统计估计。我们提供了一致性速率,并为我们的估计器建立了渐进正态性。我们展示了在无关参数的一致性速率具有渐近性的温和假设下,我们可以实现与先验知识相同的错误率。我们展示了当无关函数具有局部稀疏参数化时,本地 l1 - 惩罚回归实现所需速率。我们将我们的方法应用于从离散或连续处理的观察数据中估计异质处理效应,并且我们显示,与先前的工作不同,我们的方法可以在标准稀疏条件下控制高维变量集。我们还对我们算法在合成和实际数据上进行了全面的实证评估。
Jun, 2018
本研究使用因果森林(causal forests)对来源于《学习心态国家研究》的数据进行了分析,讨论了因果森林使用估计的倾向得分更加具有鲁棒性以及如何处理包含聚类误差的数据等实际和概念上的挑战。
Feb, 2019
利用回归树对面板数据进行分析,将观测值划分为具有相似治疗效果的不相交簇,并利用面板数据的低秩结构估计每个簇的平均治疗效果,提供更准确和可解释的估计结果。
Jun, 2024
本研究提出了一种新的随机回归森林算法,证明了其一致性,并将其与其他理论可追踪的随机森林模型及实践中使用的随机森林算法进行了比较,实验证明了不同简化随机森林模型的方法的重要性。
Oct, 2013
本文研究了试验或观察研究中估计因果效应异质性的问题以及在子群体之间进行处理效应差异大小的推断。提出了一种新的交叉验证标准来确定因果效应的预测是否准确,并将该方法应用于一个大规模的针对搜索引擎的实验。
Apr, 2015
本文研究对社会项目和医疗方案的疗效进行随机实验评估时,如何准确评估其异质性治疗效应,进而为大量可用的治疗方案选择最有效的方案,确定治疗成功或失败的人群,以及设计个性化的最佳治疗方案。本文提出一种利用支持向量机分类器适应变量选择问题进行异质性治疗效应评估的方法,并证明其优于常用替代方法。
May, 2013