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
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
Personalized Assignment to One of Many Treatment Arms via Regularized and Clustered Joint Assignment Forests
University of Michigan（密歇根大学）；Stanford University（斯坦福大学）；University of Pennsylvania（宾夕法尼亚大学）；New York University（纽约大学）
本文针对多治疗臂个性化分配问题，提出正则化森林分配算法并结合聚类方案以跨臂汇集信息，从而在大量治疗臂场景下提升分配效用。
2023-11-01 cs.LG econ.EM stat.ME
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 under Kink Bunching
Tsinghua University（清华大学）；Renmin University of China（中国人民大学）；Zhejiang University（浙江大学）
研究弯折政策对分配变量外结果的因果效应，开发框架为受影响群体定义平均效应，用设计辅助识别，应用于中国医保弯折共保计划，发现相关效应，补充仅密度聚集分析的不足。
2026-07-23 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 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
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
Robust Identification in Randomized Experiments with Noncompliance
本文针对存在不依从的随机实验，在两组放松的LATE假设下推导了因果参数的紧界，并通过实证应用验证了标准LATE假设的不兼容性，提供了更具稳健性的因果识别方案。
2025-03-20 econ.EM
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
Causal Inference for Aggregated Treatment
University of Georgia（佐治亚大学）
本文研究了聚合治疗的因果推断问题，指出在随机分配等理想场景下，聚合治疗的权重存在不唯一、可能为负等缺陷，并提出相应解决方法。
2026-01-07 econ.EM
Doubly weighted M-estimation for nonrandom assignment and missing outcomes
针对处理效应文献中常见的非随机处理分配和缺失结果这两个问题，提出了一类新的双重加权M-估计.所提出的类的特点是一个“鲁棒性”的属性，这使得它弹性的参数误指定的条件模型的兴趣（例如，平均值或分位数函数）或两个加权函数。作为领先的应用，本文讨论了两个特定的因果参数的估计;平均和分位数处理效应（ATE，QTE），这可以表示为双重加权估计的函数，在框架的参数组件的误指定。对于ATE，本文表明，所提出的估计是双重的强大，即使在存在缺失的结果。最后，为了证明估计量在经验环境中的可行性，将其应用于Calonico和Smith（2017）从国家支持工作培训计划中重建的样本。
2020-11-23 econ.EM
Policy relevance of causal quantities in networks
MIT Institute for Data, Systems, and Society（麻省理工学院数据、系统与社学院）；MIT Sloan School of Management（麻省理工学院斯隆管理学院）
研究探讨了网络中因果量的政策相关性，指出期望平均成果作为单位层面效应的总结，并能支持最优政策选择。
2026-03-09 econ.EM stat.ME
Potential weights and implicit causal designs in linear regression
Department of Economics, Stanford University（斯坦福大学经济系）
研究线性回归中准实验解释的最小标准，形式化其对真实处理分布的线性限制即隐式设计，统一现有结果并发现新结果，通过普查和计算评估回归的准实验解释情况。
2026-07-08 econ.EM stat.ME
A Comparison of Methods for Treatment Assignment with an Application to Playlist Generation
Hong Kong University of Science and Technology（香港科技大学）；New York University（纽约大学）；Spotify
这项研究提出了一个系统的比较方法的个人治疗分配，一个普遍的问题，出现在许多应用程序中，并已收到显着的关注，经济学家，计算机科学家和社会科学家。我们将文献中提出的各种方法分为三类算法（或元学习者）：预测结果的学习模型（O-学习者），预测因果效应的学习模型（E-学习者）和预测最佳治疗分配的学习模型（A-学习者）。我们从（1）它们的通用性水平和（2）它们用于从数据中学习模型的目标函数方面比较了元学习器;然后我们讨论了这些特征对建模和决策的影响。值得注意的是，我们通过分析和经验证明，优化结果或因果效应的预测与优化治疗分配不同，这表明一般来说，A学习者应该比其他元学习者获得更好的治疗分配。我们在为每个用户选择最佳播放列表生成算法以优化参与度的背景下展示了我们的发现的实际影响。这是三种不同的元载体在实际应用中的首次大规模比较（基于超过5亿个单独的治疗分配）。除了支持我们的分析结果外，结果还显示了大型A/B测试可以为学习治疗分配策略提供实质性价值，而不是简单地选择平均表现最好的变体。
2022-04-30 cs.LG econ.EM stat.ME
Design and Evaluation of Personalized Free Trials
University of Washington（华盛顿大学）；Bright Machines（亮智机器）
免费试用促销，即用户在有限的时间内免费试用产品，是软件即服务（SaaS）行业中常用的客户获取策略。我们研究了试用期长度如何影响用户的响应，并试图量化的收益，从个性化的免费试用促销活动的长度。我们的数据来自一家领先的SaaS公司进行的大规模现场实验，新用户被随机分配到7天、14天或30天的免费试用期。首先，我们证明了对所有消费者的7天试用是最好的统一政策，订阅量增加了5.59%。接下来，我们开发了一个三管齐下的个性化策略设计和评估框架。使用我们的框架，我们开发了七个个性化的定位策略的基础上线性回归，套索，CART，随机森林，XGBoost，因果树，因果森林，并评估其性能使用逆倾向得分（IPS）估计。我们发现基于lasso的个性化策略性能最好，其次是基于XGBoost的个性化策略。相比之下，基于因果树和因果森林的政策表现不佳。然后，我们将一种方法在设计策略时的有效性与其充分个性化治疗而不过度拟合的能力联系起来（即，捕获伪异质性）。接下来，我们根据消费者的最佳试用时长对他们进行细分，并在此背景下对用户行为的驱动因素得出一些实质性的见解。最后，我们表明，旨在最大限度地提高短期转换的政策也表现良好的长期结果，如消费者的忠诚度和盈利能力。
2020-06-24 cs.LG econ.EM stat.ML
Federated Causal Inference in Heterogeneous Observational Data
Emory University（埃默里大学）；Cornell University（康奈尔大学）；United States Military Academy（美国军事学院）；Harvard University（哈佛大学）；Johns Hopkins University（约翰斯·霍普金斯大学）；Stanford University（斯坦福大学）
针对多站点隐私限制与数据异构性，提出基于倾向得分的联邦因果推断方法，通过本地计算与跨站点聚合估计平均处理效应，并证明其渐近性质及在医疗数据库中的有效性。
2023-04-02 cs.LG econ.EM q-bio.QM
