存在复杂情境因素与同伴群组时用于基准比较的统计机器学习方法

在个体或组织之间进行公平比较的能力，对于发展稳健且有意义的量化基准至关重要。为进行公平比较，必须考虑情境因素，且比较应仅在相似组织（如同伴群组）之间进行。先前的基准方法使用线性回归来调整情境因素，然而当比较度量与协变量之间存在非线性关系时，线性回归已知是次优的。在本文中，我们提出一种用于基准比较的随机森林模型，可调整这些潜在的非线性关系，并在高噪声数据的案例研究中验证该方法。我们提供拟合模型与比较度量的新可视化及数值摘要，以便分析师与非技术受众解读。比较可在整个队列或同伴群组内部进行，且自助法（bootstrapping）提供了估计调整度量与排名中不确定性的手段。我们得出结论：随机森林模型能够促进组织间量化度量的公平比较，包括在复杂情境因素关系的情况下，且这些模型与输出可被利益相关者轻松解读。