摘要翻译：
我们提出了广义随机森林，这是一种基于随机森林(Breiman，2001)的非参数统计估计方法，可以用来拟合任何被识别为局部矩方程组解的感兴趣量。遵循局部最大似然估计的文献，我们的方法考虑了一个邻近训练样本的加权集；然而，我们使用了一个自适应的加权函数，而不是使用经典的核加权函数，这些核加权函数容易产生很强的维数诅咒，该自适应的加权函数来自一个森林，该森林被设计来表示指定的兴趣量中的异质性。我们提出了一个灵活的、计算效率高的广义随机森林生长算法，为我们的方法发展了一个大样本理论，证明了我们的估计是一致的和渐近高斯的，并为它们的渐近方差提供了一个估计器，该估计器允许有效的置信区间。我们使用我们的方法为三个统计任务开发了新的方法：非参数分位数回归，条件平均部分效应估计，以及通过工具变量的异质性治疗效应估计。CRAN提供了一个软件实现，用于R和C++的grf。
---
英文标题：
《Generalized Random Forests》
---
作者：
Susan Athey, Julie Tibshirani and Stefan Wager
---
最新提交年份：
2018
---
分类信息：

一级分类：Statistics        统计学
二级分类：Methodology        方法论
分类描述：Design, Surveys, Model Selection, Multiple Testing, Multivariate Methods, Signal and Image Processing, Time Series, Smoothing, Spatial Statistics, Survival Analysis, Nonparametric and Semiparametric Methods
设计，调查，模型选择，多重检验，多元方法，信号和图像处理，时间序列，平滑，空间统计，生存分析，非参数和半参数方法
--
一级分类：Economics        经济学
二级分类：Econometrics        计量经济学
分类描述：Econometric Theory, Micro-Econometrics, Macro-Econometrics, Empirical Content of Economic Relations discovered via New Methods, Methodological Aspects of the Application of Statistical Inference to Economic Data.
计量经济学理论，微观计量经济学，宏观计量经济学，通过新方法发现的经济关系的实证内容，统计推论应用于经济数据的方法论方面。
--
一级分类：Statistics        统计学
二级分类：Machine Learning        机器学习
分类描述：Covers machine learning papers (supervised, unsupervised, semi-supervised learning, graphical models, reinforcement learning, bandits, high dimensional inference, etc.) with a statistical or theoretical grounding
覆盖机器学习论文（监督，无监督，半监督学习，图形模型，强化学习，强盗，高维推理等）与统计或理论基础
--

---
英文摘要：
  We propose generalized random forests, a method for non-parametric statistical estimation based on random forests (Breiman, 2001) that can be used to fit any quantity of interest identified as the solution to a set of local moment equations. Following the literature on local maximum likelihood estimation, our method considers a weighted set of nearby training examples; however, instead of using classical kernel weighting functions that are prone to a strong curse of dimensionality, we use an adaptive weighting function derived from a forest designed to express heterogeneity in the specified quantity of interest. We propose a flexible, computationally efficient algorithm for growing generalized random forests, develop a large sample theory for our method showing that our estimates are consistent and asymptotically Gaussian, and provide an estimator for their asymptotic variance that enables valid confidence intervals. We use our approach to develop new methods for three statistical tasks: non-parametric quantile regression, conditional average partial effect estimation, and heterogeneous treatment effect estimation via instrumental variables. A software implementation, grf for R and C++, is available from CRAN.
---
PDF链接：
https://arxiv.org/pdf/1610.01271