論文の概要: causalfe: Causal Forests with Fixed Effects in Python

• arxiv url: http://arxiv.org/abs/2601.10555v1
• Date: Thu, 15 Jan 2026 16:19:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-16 19:43:19.218021
• Title: causalfe: Causal Forests with Fixed Effects in Python
• Title（参考訳）: causalfe: Pythonで固定効果のある因果樹
• Authors: Harry Aytug,
• Abstract要約: causalfeパッケージはCausal Forests with Fixed EffectsのPython実装を提供する。 本稿では,その方法論を記述し,ソフトウェアインターフェースを文書化し,シミュレーション研究を通じてパッケージを実証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The causalfe package provides a Python implementation of Causal Forests with Fixed Effects (CFFE) for estimating heterogeneous treatment effects in panel data settings. Standard causal forest methods struggle with panel data because unit and time fixed effects induce spurious heterogeneity in treatment effect estimates. The CFFE approach addresses this by performing node-level residualization during tree construction, removing fixed effects within each candidate split rather than globally. This paper describes the methodology, documents the software interface, and demonstrates the package through simulation studies that validate the estimator's performance under various data generating processes.
• Abstract（参考訳）: causalfeパッケージは、パネルデータ設定で不均一な処理効果を推定するためのCFFE(Causal Forests with Fixed Effects)のPython実装を提供する。 標準因果林法は, 単位および時間固定効果が処理効果推定の急激な不均一性を引き起こすため, パネルデータに苦慮する。 CFFEアプローチは、ツリー構築中にノードレベルの残留化を実行し、グローバルではなく、各候補内の固定効果を取り除くことでこの問題に対処する。 本稿では,その方法論,ソフトウェアインターフェースの文書化,および各種データ生成プロセスにおける推定器の性能評価を行うシミュレーション研究を通じて,パッケージを実証する。

関連論文リスト

• CausalPFN: Amortized Causal Effect Estimation via In-Context Learning [19.54034651361769]
  CausalPFNは、ボックスから新しい観測データセットに因果効果を推測する。 提案手法は,不均一および平均処理効果評価ベンチマークにおいて,優れた平均性能を実現する。 CausalPFNはベイズ原理に基づく信頼性の高い意思決定を支援するために、校正された不確実性推定を提供する。
  論文  参考訳（メタデータ） (2025-06-09T16:31:06Z)
• Do-PFN: In-Context Learning for Causal Effect Estimation [75.62771416172109]
  予備データ適合ネットワーク(PFN)は, 合成データに基づいて事前学習を行い, 結果を予測する。 提案手法により,基礎となる因果グラフの知識を必要とせず,因果効果の正確な推定が可能となる。
  論文  参考訳（メタデータ） (2025-06-06T12:43:57Z)
• Black Box Causal Inference: Effect Estimation via Meta Prediction [56.277798874118425]
  因果推論はデータセットレベルの予測問題であり,アルゴリズム設計を学習プロセスにオフロードする。 我々は,ブラックボックス因果推論 (BBCI) と呼ばれる,サンプルデータセットと効果ペアの因果効果の予測を学習することにより,ブラックボックス方式で推定器を構築する。 我々は,いくつかの因果推論問題に対して,BBCIを用いた平均治療効果(ATE)と条件平均治療効果(CATE)を正確に推定した。
  論文  参考訳（メタデータ） (2025-03-07T23:43:19Z)
• Do Finetti: On Causal Effects for Exchangeable Data [45.96632286841583]
  データをi.i.d.に含まない環境での因果効果の推定について検討する。 我々は、独立因果関係の仮定を満たす交換可能なデータに焦点を当てる。
  論文  参考訳（メタデータ） (2024-05-29T07:31:18Z)
• C-XGBoost: A tree boosting model for causal effect estimation [8.246161706153805]
  因果効果推定は、平均処理効果と、治療の条件平均処理効果を、利用可能なデータから得られる結果に推定することを目的としている。 本稿では,C-XGBoost という新たな因果推論モデルを提案する。
  論文  参考訳（メタデータ） (2024-03-31T17:43:37Z)
• B-Learner: Quasi-Oracle Bounds on Heterogeneous Causal Effects Under Hidden Confounding [51.74479522965712]
  本稿では,B-Learnerと呼ばれるメタラーナーを提案する。 我々は、その推定が有効で、鋭く、効率的であることを証明し、既存の方法よりも一般的な条件下で構成推定器に対して準オーラル特性を持つことを示した。
  論文  参考訳（メタデータ） (2023-04-20T18:07:19Z)
• FP-Diffusion: Improving Score-based Diffusion Models by Enforcing the Underlying Score Fokker-Planck Equation [72.19198763459448]
  雑音が増大する傾向にあるデータ密度に対応する雑音条件スコア関数の族を学習する。 これらの摂動データ密度は、密度の時空間進化を管理する偏微分方程式(PDE)であるフォッカー・プランク方程式(Fokker-Planck equation, FPE)によって結合される。 我々は、摂動データ密度の雑音条件スコアを特徴付けるスコアFPEと呼ばれる対応する方程式を導出する。
  論文  参考訳（メタデータ） (2022-10-09T16:27:25Z)
• Partial Identification with Noisy Covariates: A Robust Optimization Approach [94.10051154390237]
  観測データセットからの因果推論は、しばしば共変量の測定と調整に依存する。 このロバストな最適化手法により、広範囲な因果調整法を拡張し、部分的同定を行うことができることを示す。 合成および実データセット全体で、このアプローチは既存の手法よりも高いカバレッジ確率でATEバウンダリを提供する。
  論文  参考訳（メタデータ） (2022-02-22T04:24:26Z)
• Sparse Bayesian Causal Forests for Heterogeneous Treatment Effects Estimation [0.0]
  本稿では,ベイジアン因果樹林のスパース性誘導型を考案する。 観察データを用いて不均一な治療効果を推定する。
  論文  参考訳（メタデータ） (2021-02-12T15:24:50Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。