研究人员开发了一种基于决策树和随机森林的新算法，用于估计个体治疗效果，旨在提高预测准确性和可解释性。该方法的操作类似于标准的随机森林，但采用了一种独特的分割标准，该标准结合了对平均治疗效果的偏差校正以及对治疗效果异质性的关注。该算法可以处理观察性研究，而无需估计完整的倾向函数，并且其可解释性直接来源于拟合的树结构，无需事后分析。模拟研究表明，这种方法在实现具有竞争力的预测准确性的同时，显著增强了对治疗效果变化的理解。 AI
影响 增强了因果推断模型的可解释性，有望改善医学和营销等领域的决策。
排序理由 该条目是一篇提交给arXiv的学术论文，详细介绍了一种新算法。[lever_c_demoted from research: ic=1 ai=1.0]
- alphaXiv
- arXiv
- CatalyzeX Code Finder for Papers
- DagsHub
- Generalized random forests
- Gotit.pub
- Hugging Face
- Nicolas Alexander Ihlo
- ScienceCast
- Splitting the Difference: Interpretable Causal Forests for Treatment Effect Heterogeneity and Bias
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
