Representation Multiplicity in Causal Forests
University of Pennsylvania（宾夕法尼亚大学）
本文研究因果森林中协变量的冗余编码（表示多重性）导致治疗决策改变及处理效应估计偏差，提出对生成相同分裂的变量组抽样以恢复预测不变性。
2026-10-14 econ.EM
Enabling Decision-Making with the Modified Causal Forest: Policy Trees for Treatment Assignment
本文提出了一种基于改进因果森林的可解释非参数化决策树算法Policy Tree，用于处理分配策略，支持多离散处理并具备约束处理能力，已在Python开源包mcf中实现。
2024-06-04 econ.EM
Causal-Policy Forest for End-to-End Policy Learning
本文提出因果政策森林算法，通过端到端方法提升策略学习效果，实现CATE估计与策略学习的结合。
2025-12-28 cs.LG econ.EM math.ST
Optimizing Patient Placement in Normal Care Units: An Instrumental Causal Forest Approach Minimizing Mortality
Chair of Health Economics, Policy and Management, School of Medicine, University of St. Gallen（圣加仑大学医学院卫生经济学、政策与管理讲席）
本文提出一种工具变量因果森林方法，用于优化正常护理单元患者分配，以减少死亡率，通过个体化治疗效应重新分配患者，提高资源利用效率。
2026-01-03 econ.EM
Estimating Heterogeneity in Travel Mode Choice Shifts with Causal Forests
Center for Urban Science and Progress, Tandon School of Engineering New York University（纽约大学坦登工程学院城市科学与工程中心）
本研究将因果森林应用于全国家庭出行调查数据，量化新冠疫情对出行方式选择的异质性因果效应，发现汽车出行占比上升，短途、高收入家庭及女性群体增幅最大，为交通政策制定提供依据。
2026-08-06 econ.EM stat.AP stat.ME
A Large-Scale Empirical Comparison of Meta-Learners and Causal Forests for Heterogeneous Treatment Effect Estimation in Marketing Uplift Modeling
本文通过Criteo Uplift v2.1数据集对比四种CATE估计器，发现S-Learner在Qini系数上表现最佳，且在提升转化率方面有显著提升，同时揭示了异质治疗效应的主要驱动因素。
2026-04-07 cs.LG econ.EM stat.CO
Variable Selection for Causal Inference via Outcome-Adaptive Random Forest
如果我们不控制自我选择，那么从观察数据中估计因果效应可能会有偏差。该选择基于影响治疗分配和结局的混杂变量。倾向评分方法旨在校正混杂因素。然而，并非所有协变量都是混杂因素。我们提出的结果自适应随机森林（OARF），只包括期望的变量估计的倾向得分，以减少偏差和方差。我们的方法适用于高维数据集，如果结果和倾向评分模型是非线性的，可能很复杂。OARF排除了与结果无关的协变量，即使存在大量虚假变量。仿真结果表明，OARF产生无偏估计，有一个较小的方差，是优于其他方法相比，在变量选择。从两个经验性的例子，右心导管插入术对死亡率的影响和母亲在怀孕期间吸烟对出生体重的影响，结果显示类似的处理效应，以前的研究结果，但更严格的置信区间和更合理的选择变量。
2021-09-09 econ.EM
Orthogonal Random Forest for Causal Inference
Microsoft Research–New England（微软研究院-新英格兰分院）；University of Minnesota–Twin Cities（明尼苏达大学-双城分校）
我们提出了正交随机森林，这是一种将奈曼正交性与广义随机森林相结合以降低关于滋扰参数的估计误差的灵敏度的算法（Athey等人，2017）--一种灵活的非参数方法，用于使用随机森林对条件矩模型进行统计估计。我们提供了一个一致率，并建立渐近正态性我们的估计。我们表明，在温和的假设下的滋扰估计的一致性率，我们可以实现相同的出错率作为一个甲骨文与这些滋扰参数的先验知识。我们表明，当滋扰功能有一个局部稀疏参数化，然后一个本地$\ell_1$惩罚回归达到所需的速度。我们应用我们的方法来估计异质性治疗效果的观察数据与离散治疗或连续治疗，我们表明，与以前的工作不同，我们的方法可证明允许控制一组高维变量在标准稀疏条件下。我们还提供了一个全面的经验评估我们的算法在合成和真实数据。
2019-09-25 cs.LG econ.EM math.ST
Median-based Splitting Rules for Causal Trees and Forests
University of Duisburg-Essen（杜伊斯堡-埃森大学）；Ruhr Graduate School in Economics (RGS Econ)（鲁尔经济学研究生院）；Research Academy Ruhr（鲁尔研究学院）
针对重尾和偏态结果，提出基于中位数的分裂准则（MSD），在因果树/森林中替代均方误差，提升条件平均处理效应估计的稳健性，并通过模拟和两个实证应用验证。
2026-09-09 econ.EM
Shrinkage Bayesian Causal Forest with Instrumental Variable
University of Duisburg-Essen（杜伊斯堡-埃森大学）；Faculty of Business Administration and Economics（经济与商业学院）
针对稀疏高维工具变量分析，提出收缩贝叶斯因果森林SBCF-IV，通过稀疏先验和CART成本引导发现异质性依从者效应亚组，实验证明优于BCF-IV。
2026-09-17 econ.EM
Attenuated Heterogeneity in Fixed-Effects Causal Forests, and a Cross-Fitted Correction
Amazon Web Services（亚马逊云科技）
研究固定效应面板设置中因果森林估计条件平均治疗效果时异质性衰减问题，刻画其随设计变化情况，提出用Chernozhukov等人的校准方法补救，模拟和实际应用中均有效果，方法集成到Python包。
2026-07-28 econ.EM stat.ML
Modelling hetegeneous treatment effects by quantitle local polynomial decision tree and forest
为了进一步发展异质处理效应的统计推断问题，本文建立在Breiman（2001）的随机森林树（RFT）和Wager等人。的（2018年）因果树使用经典OLS的优秀统计特性和基于协变量分位数点的局部线性区间划分来参数化非参数问题，同时保留具有可构造置信区间和渐近正态性优点的随机森林树[Athey和Imbens（2016年），Efron（2014年），Wager等人。（2014）\citep{wager2014asymptotic} ]中，我们提出了一种使用根据固定规则的分位数分类与局部样本的多项式估计相结合的决策树，我们称之为分位数局部线性因果树（QLPRT）和森林（QLPRF）。
2022-03-13 econ.EM stat.ML
A Fixed-Effects Causal Forest for Staggered Adoption, with an Application to Medicaid Expansion
Amazon Web Services（亚马逊云服务）
研究交错采用的协变量条件平均治疗效果估计问题，提出用固定效应因果森林估计，在每个树节点内差分单位和时期效应消除混杂，蒙特卡罗实验验证其有效性，应用于医疗补助扩展取得未参保率下降等成果。
2026-07-28 econ.EM stat.ML
Comprehensive Causal Machine Learning
针对多处理设置中不同粒度因果效应估计问题，比较改进因果森林（mcf）、广义随机森林（grf）和双重机器学习（dml），明确各方法适用场景并证明mcf的理论保证，为决策者提供更优因果效应估计工具。
2025-02-14 econ.EM
Causal Inference for Survival Analysis
在本文中，我们提出了使用因果推断技术的生存函数估计和预测的数据，直到个别单位的子群。树集成的方法，特别是随机森林进行了修改，用于此目的。使用真实世界的医疗保健数据集，约1800例乳腺癌患者，其中有多个患者协变量以及无病生存期（DFS）和死亡事件二元指标（y）。我们使用癌症治疗干预的类型作为治疗变量（T=0或1，在我们的示例中为二元治疗病例）。该算法是一个2步法。在步骤1中，我们使用以DFS为因变量的因果树估计异质性处理效应。接下来，在步骤2中，对于具有明显不同的平均处理效应（关于存活）的银杏树的每个选择的叶，我们将存活森林拟合到该叶中的所有患者，对于治疗T=0以及T=1各拟合一个森林，以获得每个治疗的估计的患者水平存活曲线（更一般地，在该步骤中可以使用任何模型）。然后，我们减去患者水平生存曲线，以获得给定患者的微分生存曲线，以比较2种治疗的生存函数。到所选叶的路径还为我们提供了患者特征及其值的组合，这些特征及其值对于叶处的处理效应差异具有重要的因果关系。
2018-03-22 econ.EM
Estimating Heterogeneous Causal Effects with Tree-Based Methods under Imperfect Compliance
University of Duisburg-Essen（杜伊斯堡-埃森大学）
针对不完全依从场景，提出两种非贝叶斯树方法（DRRF-IV和GRF-IV）估计条件依从者平均因果效应，模拟显示性能与BCF-IV相当且计算更快，并应用于ICU及时入院对死亡率影响的子组分析。
2026-09-29 econ.EM stat.ME
Local Linear Forests
LinkedIn（领英）
随机森林是非参数回归的一种强大方法，但其拟合平滑信号的能力有限，并且在存在强平滑效应的情况下可能显示出较差的预测性能。从随机森林作为自适应核方法的角度来看，我们将森林核与局部线性回归调整配对，以更好地捕获平滑度。由此产生的程序，局部线性森林，使我们能够提高渐近收敛速度的随机森林与光滑信号，并提供了大量的收益，在真实和模拟数据的准确性。我们证明了一个中心极限定理有效的正则条件下的森林和光滑约束，并提出了一个计算效率高的置信区间的建设。移动到一个因果推断的应用程序，我们讨论了异质处理效应估计的本地回归调整的优点，并给出一个例子的数据集上探索字的选择对社会安全网的态度的影响。最后，我们包括模拟结果的真实和生成的数据。
2020-09-04 cs.LG econ.EM math.ST
Priority to unemployed immigrants? A causal machine learning evaluation of training in Belgium
基于比利时失业人员的行政数据，我们使用修正的因果森林（一种因果机器学习估计器）估计了三个培训项目在不同聚合水平下对劳动力市场的影响。虽然所有方案在锁定期后都有积极的影响，但我们发现方案和失业者之间存在很大的异质性。模拟显示，将失业者重新分配到最大化个人收益的计划中的“黑箱”规则可以大大提高效率：在30个月的窗口内，就业（不）时间增加（减少）20%。浅层策略树提供了一个简单的规则，实现了大约70%的收益。
2022-12-17 econ.EM econ.GN q-fin.EC
RieszNet and ForestRiesz: Automatic Debiased Machine Learning with Neural Nets and Random Forests
Massachusetts Institute of Technology（麻省理工学院）；Microsoft Research New England（微软新英格兰研究院）
许多利益的因果和政策效应是由高维或非参数回归函数的线性泛函定义的。$\sqrt{n}$ -对感兴趣对象的一致和渐近正态估计需要去偏，以减少正则化和/或模型选择对感兴趣对象的影响。去偏通常通过向泛函的插入估计器添加校正项来实现，这导致诸如半参数效率、双鲁棒性和奈曼正交性等属性。我们实现了一个自动去偏过程的基础上自动学习的Riesz表示的线性功能，使用神经网络和随机森林。我们的方法只依赖于黑盒评估Oracle访问的线性功能，并不需要其解析形式的知识。我们提出了一个多任务神经网络去偏方法与随机梯度下降最小化的组合Riesz代表和回归损失，同时共享表示层的两个功能。我们还提出了一个随机森林方法，学习的Riesz函数的局部线性表示。尽管我们的方法适用于任意泛函，但我们通过实验发现，对于平均治疗效果泛函的情况，与Shi等人（2019）基于神经网络的最新算法相比，它表现良好。我们还评估了我们的方法估计平均边际效应的问题，连续治疗，使用半合成数据的汽油价格变化对汽油需求。
2022-06-15 cs.LG econ.EM stat.ML
Transparency challenges in policy evaluation with causal machine learning -- improving usability and accountability
Centre for Social Research and Methods（社会研究与方法中心）；Australian National University（澳大利亚国立大学）
本文针对因果机器学习在公共政策评估中的黑箱透明度问题，探讨了通过可解释AI工具和模型简化加以解决的可能性，并以澳大利亚离校年龄政策为案例验证现有工具不足，指出需要开发专用新工具。
2024-03-29 cs.LG econ.EM
Local conformal prediction for individual causal effects
Universidad Nacional del Sur（南方大学）；CONICET（阿根廷国家科学研究委员会）
针对强处理效应异质性下标准CATE估计器失效问题，提出ICP框架，结合因果森林等技术构造有效共形区间，在高异质性合成数据和IHDP基准上验证了局部策略的精度与覆盖率优势。
2026-10-21 econ.EM stat.ME
Automatic debiased machine learning and sensitivity analysis for sample selection models
Massachusetts Institute of Technology（麻省理工学院）；Düsseldorf Institute for Competition Economics, Heinrich Heine University Düsseldorf（杜塞尔多夫竞争经济学研究所，杜塞道夫大学）；Chair of Statistics and Econometrics, Heinrich Heine University Düsseldorf（统计学与计量经济学讲席，杜塞道夫大学）
本文提出ForestRiesz估计器，通过自动去偏机器学习解决样本选择模型中的因果推断问题，提升估计稳定性并改进性别工资差距的估计效果。
2026-01-13 econ.EM stat.ML
Automatic Debiased Machine Learning of Causal and Structural Effects
许多因果和结构效应依赖于回归。例子包括政策效应、平均衍生工具、回归分解、平均治疗效应、因果中介和经济结构模型的参数。回归可能是高维的，这使得机器学习很有用。将机器学习器插入到识别方程中可能会导致由于正则化和/或模型选择的偏差而导致的不良推断。本文给出了线性和非线性回归函数的自动去偏方法。在使用Lasso和感兴趣的函数时，去偏置是自动的，而不需要完整形式的偏置校正。去偏可以应用于任何回归学习器，包括神经网络，随机森林，Lasso，boosting和其他高维方法。除了提供的偏差校正，我们给出了标准误差，是强大的误设定，收敛速度的偏差校正，和原始条件的渐近推断估计的各种估计的结构和因果关系的影响。自动去偏机器学习用于估计新南威尔士州工作培训数据对接受治疗者的平均治疗效果，并根据尼尔森扫描仪数据估计需求弹性，同时允许偏好与价格和收入相关。
2022-10-21 econ.EM math.ST stat.TH
Treatment Geometry and Causal Identification with Earth Observation Data
研究利用地球观测数据进行处理几何与因果识别，介绍处理几何概念，通过多领域案例为将现实干预转化为可分析数据时的关键权衡提供指导，给出诊断重要几何决策的框架及综合问题。
2026-07-23 econ.EM
Accuracy Limits of Causal Trees for Individualized Treatment Effects
Princeton University（普林斯顿大学）
本文研究了基于自适应递归划分的因果树估计器，推导了其估计精度的下界，指出即使在随机分配的常数效应基准下，标准CART型划分规则构建的因果树在样本空间上的一致误差仍可能以比样本规模的任何幂更慢的速度下降，且样本划分无法消除这一限制。
2026-06-03 econ.EM math.ST stat.ME
Recovering Direct Price Effects of Environmental Amenities in Housing Markets: Regression and Causal Machine Learning Model Assessment with Empirical Monte Carlo Simulation
通过实证蒙特卡洛模拟，评估传统回归与因果机器学习方法在估计环境舒适度对房产价值的直接价格效应（DUET）中的表现，发现广义双重差分法表现稳健，因果森林在样本较大时优势显著。
2026-06-01 econ.EM stat.ML
Nested Nonparametric Instrumental Variable Regression
Harvard University（哈佛大学）
针对短面板数据中嵌套非参数工具变量回归因复合病态性导致收敛速率未知的问题，提出相对良态性与多重稳健性技术，实现了显式均方收敛速率与有效推断，并兼容多种机器学习方法。
2025-05-30 cs.LG econ.EM math.ST
Recursive Partitioning for Heterogeneous Causal Effects
在本文中，我们研究的问题，估计异质性的因果关系的影响，在实验或观察性研究，并进行推断的大小的差异，处理效应在整个子集的人口。在应用中，我们的方法提供了一种数据驱动的方法来确定哪些亚群具有较大或较小的处理效应，并测试关于这些效应差异的假设。对于实验，我们的方法使研究人员能够识别在预分析计划中未指定的处理效应的异质性，而无需担心由于多重检验而导致的无效推断。在大多数关于监督机器学习的文献中（例如回归树、随机森林、LASSO等），目标是建立一个单元属性和观察结果之间关系的模型。交叉验证在这些方法中扮演着重要的角色，它将预测与测试样本中的实际结果进行比较，以选择提供最佳预测能力的模型的复杂程度。我们的方法是密切相关的，但它的不同之处在于，它是专为预测治疗的因果效应而不是一个单位的结果。挑战在于，因果效应的“基本事实”对于任何单个单元都没有观察到：我们观察有治疗或没有治疗的单元，但不能同时观察两者。因此，如何使用交叉验证来确定因果效应是否已被准确预测并不明显。我们提出了几个新的交叉验证标准，这个问题，并通过模拟的条件下，他们表现得更好的因果关系的问题比标准方法。然后，我们将该方法应用到一个大规模的现场实验重新排名的搜索引擎上的结果。
2015-12-30 econ.EM stat.ML
Regularizing Extrapolation in Causal Inference
Adobe Research（Adobe研究院）；Yale University（耶鲁大学）；Johns Hopkins University（约翰霍普金斯大学）；Columbia University（哥伦比亚大学）；University of California, Berkeley（加州大学伯克利分校）
本文提出统一框架，通过正则化外推水平来改进因果推断中的外推问题，引入偏倚-偏倚-方差权衡，并通过合成实验和实际应用验证其有效性。
2026-04-01 cs.LG econ.EM stat.ME
Automatic Debiased Machine Learning for Dynamic Treatment Effects and General Nested Functionals
MIT Economics（麻省理工学院经济系）；Harvard Economics（哈佛大学经济系）；Stanford MS&E（斯坦福大学工业工程与运营研究系）
本文提出自动递归方法用于动态治疗效应和通用嵌套函数的推断，结合神经网络和随机森林实现灵活估计，并引入递归里斯代表式作为技术贡献。
2026-07-22 cs.LG econ.EM math.ST
Model Risk in Machine-Learning Distributional IV Estimation
研究机器学习估计分布工具变量局部平均处理效应（D-IV-LATE）时的模型风险，提出降维正交水平得分DML估计量，并通过模拟和401(k)应用发现随机森林比KAN更准确，建议基准测试、报告重叠和校准诊断。
2026-06-07 econ.EM
Double/Debiased Machine Learning for Treatment and Causal Parameters
针对传统机器学习方法估计因果参数时存在的正则化偏差问题，提出结合主辅预测模型构建正交得分的双重/去偏ML方法，搭配交叉拟合避免过拟合，可得到收敛快、近似无偏正态的因果参数估计及有效置信区间。
2024-11-03 econ.EM stat.ML
Flexible machine learning estimation of conditional average treatment effects: a blessing and a curse
本研究针对观测数据因果推断中特征不足导致个体处理效应（ITE）与条件平均处理效应（CATE）偏差的问题，扩展因果随机森林（CRF）估计组间条件方差差异，在特定因果假设下可有效估计ITE分布方差，弥补了标准CRF的不足。
2023-07-20 econ.EM math.ST stat.ME
