generalized随机森林

1.introduction

1.1 回顾随机森林

统计学派经常使用随机森林作为一个实用的无参数条件条件均值估计。给定数据生成分布$(X_i,Y_i)\in (X,R)$，随机森林被用来估计$E(Y|X_i=x)$。

1.2 本文做的事情

1.2.1 推断的框架

This paper extends Breiman’s random forests into a flexible method for estimating any quantity $\theta$(x) identified via local moment conditions. Speci cally, given data $(X_i,O_i)\in X\times O$，we seek forest-based estimates of $\theta$(x) de fined by a local estimating equation of the form：

$\varphi$：衡量分数
v：optional nuisance parameter干扰参数，一些不感兴趣的参数如方差
例如：如果我们假设Oi在Xi的条件下有一个密度函数：$f_{\theta (x),v(x)}(.)$，在标准规范条件下，moment condition with

定义局部最大似然参数$(\theta (x),v(x))$.More generally, we can use moment conditions of the form (1) to identify conditional means, quantiles, average partial effects, etc，and to develop robust regression procedures via Huberization。

我们对于grf主要实际的应用包含heterogeneous treatment effect estimation with instrumental variables（工具变量：当变量x与外界因素e相关时引入工具变量，与x有关与e无关）（因果推断知识）

问题：因果推断与随机森林结合，渐进正态分布

1.2.2 regression forest

插入链接与图片

链接: link.

图片:

带尺寸的图片:

居中的图片:

居中并且带尺寸的图片:

当然，我们为了让用户更加便捷，我们增加了图片拖拽功能。

如何插入一段漂亮的代码片

去博客设置页面，选择一款你喜欢的代码片高亮样式，下面展示同样高亮的 代码片.

// An highlighted block
var foo = 'bar';