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
Distilling interpretable causal trees from causal forests
POLIS: The Centre for Social Policy and Research（POLIS：社会政策与研究中心）；Australian National University（澳大利亚国立大学）
本文提出 Distilled Causal Tree，从因果森林蒸馏单棵可解释因果树，在噪声或高维相关特征场景下多数模拟优于原因果森林，并保持双重稳健与渐近正态。
2024-08-02 cs.LG econ.EM
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
On the adaptation of causal forests to manifold data
本文证明因果森林能适应未知协变量流形结构，在估计条件平均处理效应时达到最优收敛速率，维度自动由流形维度替代。
2023-12-26 econ.EM math.ST stat.TH
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
When do common time series estimands have nonparametric causal meaning?
本文提出直接潜在结果系统框架，为常见时间序列估计量（如脉冲响应函数、局部投影等）在观测数据中提供非参数因果解释的条件，奠定宏观经济冲击因果效应分析基础。
2025-01-22 econ.EM
Causal Inference for Qualitative Outcomes
本文指出了传统因果推断方法应用于定性结果时的挑战，提出专注于定义明确且可解释估计目标的替代框架，证明传统假设足以识别新目标，并提供开源 R 包 causalQual。
2025-06-26 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
Ordered Correlation Forest
本文提出有序相关森林估计器，通过修改随机森林分裂准则处理有序分类结果，无需分布假设，预测性能优于现有森林方法，并能构建有效置信区间。
2023-09-15 econ.EM
Causal Inference in High-Dimensional Generalized Linear Models with Binary Outcomes
University of Southern California（南加州大学）
提出一种不依赖倾向得分的加权去偏估计量，用于高维二元结果广义线性模型的因果推断，并通过仿真和真实数据验证其有限样本优势。
2025-10-18 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
Achieving Reliable Causal Inference with Data-Mined Variables: A Random Forest Approach to the Measurement Error Problem
University of Minnesota, Carlson School of Management（明尼苏达大学卡尔森管理学院）
将机器学习与计量经济学分析相结合在研究和实践中变得越来越普遍。一个常见的实证策略涉及应用预测建模技术从现有数据中“挖掘”感兴趣的变量，然后将这些变量纳入计量经济学框架，目的是估计因果效应。最近的工作强调，由于机器学习模型的预测不可避免地是不完美的，基于预测变量的计量经济学分析可能会因测量误差而产生偏差。我们提出了一种新的方法来减轻这些偏见，利用集成学习技术称为随机森林。我们建议采用随机森林不仅用于预测，而且用于生成工具变量，以解决嵌入在预测中的测量误差。随机森林算法在由一组树组成时表现最好，这些树在其预测中各自准确，但也会犯“不同”的错误，即，具有弱相关的预测误差。一个关键的观察是，这些属性是密切相关的有效工具变量的相关性和排除要求。我们设计了一个数据驱动的程序来从随机森林中选择个体树的元组，其中一棵树作为内生协变量，其他树作为其工具。仿真实验表明，所提出的方法在减轻估计偏差和其优越的性能比三种替代方法的偏差校正的有效性。
2020-12-19 cs.CY cs.LG 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
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
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
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
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
Nonparametric Identification and Estimation of Causal Effects on Latent Outcomes
Duke University（杜克大学）；Columbia University（哥伦比亚大学）
本文提出非参数框架，解决潜在结果测量不完美时的因果推断问题，通过非参数桥函数实现估计和识别，克服跨研究和跨指标的非可比性挑战。
2026-10-21 econ.EM stat.AP stat.ME
Causal Inference for Experiments with Latent Outcomes: Key Results and Their Implications for Design and Analysis
Duke University（杜克大学）；Columbia University（哥伦比亚大学）
本文提出基于设计的方法，通过优化加权缩放指数提升因果推断的效率和可解释性，增强实验设计的可信度。
2026-01-12 econ.EM stat.AP stat.ME
Causal Inference under Outcome-Based Sampling with Monotonicity Assumptions
本文研究了在病例-对照与病例-总体抽样下二元处理与结果的因果推断，证明在单调性假设下比值比可作为因果相对风险的尖锐识别上界，并提供推断算法及三个实证例子验证其有效性。
2023-10-20 econ.EM stat.ME stat.ML
Causal Inference on Outcomes Learned from Text
Graduate School of Business, Stanford University（斯坦福大学商学院）；Stanford University（斯坦福大学）
提出一种基于机器学习的工具，利用LLMs在随机试验中对文本进行因果推断，通过样本拆分和人工标注验证，揭示文本处理效应并确保推断有效性。
2025-03-02 cs.CL cs.LG econ.EM
Doubly robust estimation of causal effects for random object outcomes with continuous treatments
针对非欧几里得随机对象数据，提出基于Hilbert空间嵌入的双重去偏因果推断框架，处理连续变量并适应高维混杂因素，通过共形推断实现反事实预测，扩展了复杂数据因果推断方法。
2025-06-28 econ.EM math.ST stat.AP
