随机森林

论文面向个性化政策与处理效应异质性问题，将随机森林扩展为非参数因果森林。在潜在结果框架和无混杂假设下，作者证明因果森林对真实处理效应逐点一致，具有中心化的渐近高斯分布，并据此构造置信区间。实验显示，面对大量无关协变量时，因果森林比基于最近邻匹配的经典方法更有统计功效，从而同时支持灵活的异质性学习与有效推断。