关于因果树的诚实真相：异质处理效应估计的准确性限制
统计理论
2026-03-19 v2 计量经济学
统计方法学
机器学习
统计理论
摘要
递归决策树广泛用于估计实验和观察研究中的异质因果处理效应。这些方法通常使用CART类型的递归分区实现，常被视为能够发现高维设置中处理效应异质性的自适应程序。我们研究基于自适应递归分区的因果树估计器，并在其估计准确性上建立下界。在基本条件下，我们显示，通过标准CART类型的分割规则构建的因果树无法在均匀范数下实现多项式收敛速率（其中n表示样本大小）。其底层机制是，贪心递归分区以非消失概率选择高度不平衡的分割，导致包含极少数量观察值的终端节点，从而导致较大的估计方差。我们进一步表明，样本分割（“诚实”）最多仅能轻微改善收敛速率。因此，因果树估计器可能收敛得非常慢，甚至在某些情况下不一致。我们的结果还阐明了在现有理论保证中平衡分区假设在因果森林和相关集成方法中的作用。该分析发展了新的概率工具用于研究自适应递归分区程序，包括部分和与高斯过程的至上的近似。作为技术副产品，我们还识别并纠正了Eicker (1979)中的一个错误。
引用
@article{arxiv.2509.11381,
title = {The Honest Truth About Causal Trees: Accuracy Limits for Heterogeneous Treatment Effect Estimation},
author = {Matias D. Cattaneo and Jason M. Klusowski and Ruiqi Rae Yu},
journal= {arXiv preprint arXiv:2509.11381},
year = {2026}
}