用于因果推断的正交随机森林
机器学习
2019-09-27 v4 计量经济学
统计理论
机器学习
统计理论
摘要
我们提出正交随机森林，一种将 Neyman 正交性（以降低对干扰参数估计误差的敏感性）与广义随机森林（Athey 等人，2017——一种利用随机森林对条件矩模型进行灵活非参数统计估计的方法）相结合的算法。我们给出了我们估计量的一致速率并建立了渐近正态性。我们证明，在对干扰估计量一致速率的温和假设下，我们可以达到事先已知这些干扰参数的神谕（oracle）所达到的相同误差速率。我们证明，当干扰函数具有局部稀疏参数化时，局部 -惩罚回归可达到所需速率。我们将我们的方法应用于从具有离散处理或连续处理的观测数据估计异质处理效应，并证明与先前工作不同，我们的方法可证明允许在标准稀疏性条件下控制高维变量集。我们还对我们的算法在合成与真实数据上进行了全面的实证评估。
引用
@article{arxiv.1806.03467,
title = {Orthogonal Random Forest for Causal Inference},
author = {Miruna Oprescu and Vasilis Syrgkanis and Zhiwei Steven Wu},
journal= {arXiv preprint arXiv:1806.03467},
year = {2019}
}
备注
This paper appeared in the Proceedings of the 36th International Conference on Machine Learning