发表机构
Ohio State University; University of Texas at Austin（俄亥俄州立大学; 德克萨斯大学奥斯汀分校）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
本文比较CART与MDFS两种分类树算法在政策目标定位中的应用，理论及农村医院关闭数据表明MDFS能识别高风险亚组（营利性且应收账款超63天），并提供targetree软件包。
AI 中文摘要
实证研究者常使用二元分类树来识别面临不良后果风险的亚组。在此政策目标定位情境下，我们比较了两种分类树算法：经典分类与回归树（CART）和最大化距离最终分裂方法（MDFS）。我们建立了一个理论设定，其中MDFS能识别高风险亚组，而CART无法识别。应用于农村医院关闭数据时，MDFS定位到一个高关闭概率亚组：应收账款天数超过63天的营利性医院。CART遗漏了这一亚组。为促进这些分类树算法的进一步应用，我们提供了Python、R和Stata版本的targetree包。
英文摘要
Empirical researchers often use binary classification trees to identify subgroups at risk of adverse outcomes. We compare two classification tree algorithms in this policy-targeting context: classical classification and regression trees (CART) and the maximizing-distance final-split approach (MDFS). We establish a theoretical setting in which MDFS identifies a high-risk subgroup while CART identifies none. Applied to rural hospital closure data, MDFS targets a high-closure-probability subgroup: for-profit hospitals with more than 63 days in accounts receivable. CART misses this subgroup. To facilitate further application of these classification tree algorithms, we provide \texttt{targetree} package in Python, R, and Stata.
