論文の概要: A Fixed-Effects Causal Forest for Staggered Adoption, with an Application to Medicaid Expansion

• arxiv url: http://arxiv.org/abs/2607.19644v1
• Date: Wed, 22 Jul 2026 00:53:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:14.823843
• Title: A Fixed-Effects Causal Forest for Staggered Adoption, with an Application to Medicaid Expansion
• Title（参考訳）: 肥大化にともなう因果樹林の固定効果とメディケイド拡張への応用
• Abstract要約: 固定効果の因果林を持つtau_g,t(x)オブジェクトを推定する。 集団平均治療効果ATT(g,t)の相違 本稿では,ACAメディケイド拡張におけるカウンティレベルロールアウトのバリデーションとして,Callaway-Sant'Anna最小賃金パネルに適用する。
• 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: Difference-in-differences with staggered adoption identifies group-time average treatment effects ATT(g,t) by comparing each cohort to units not yet treated, which avoids the "forbidden comparisons" that bias two-way fixed-effects estimators when effects are heterogeneous. This paper studies the covariate-conditional version of that object, tau_{g,t}(x), and estimates it with a fixed-effects causal forest. Within each (g,t) comparison block, the outcome and treatment are residualized on unit and period fixed effects inside each tree node, and honest causal trees split on treatment-effect heterogeneity in the covariates. The estimand is not new: Hatamyar, Kreif, Rocha and Huber (2023) introduced it using a doubly-robust R-learner, and Imai, Qin and Yanagi (2023) study it for a single continuous covariate. What we add is a different way to estimate it. Where those methods remove confounding by modeling nuisance functions, we remove it by differencing out unit and period effects within each tree node, following the fixed-effects residualization of Kattenberg, Scheer and Thiel (2023) and Gavrilova, Langorgen and Zoutman (2025) and carrying it into the Callaway-Sant'Anna group-time structure. In Monte Carlo experiments the estimator is the only forest-based method that stays unbiased and correctly covered for the overall effect under staggered timing with cohort-varying effects; two-way fixed effects and a pooled causal forest inherit large forbidden-comparison bias. We apply the method to the Callaway-Sant'Anna minimum-wage panel as a validation and to the staggered county-level rollout of the ACA Medicaid expansion, where it recovers an average 2.25 percentage-point fall in the uninsured rate and a conditional surface on which poorer and lower-income counties gained substantially more coverage -- heterogeneity measured along socioeconomic covariates that are not lags of the outcome.
• Abstract（参考訳）: 相違による差分は、各コホートを未処理単位と比較することによりグループ時間平均処理効果ATT(g,t)を同定し、効果が不均一である場合に双方向固定効果推定器を偏見する「禁忌比較」を回避する。 本稿では,そのオブジェクトの共変量-条件バージョンである tau_{g,t}(x) について検討し,固定効果の因果林で推定する。 それぞれの (g,t) 比較ブロックにおいて, 結果と処理は各木ノード内の単位および周期的固定効果に残され, 正の因果樹は共変量における処理効果の不均一性に分裂する。 Hatamyar, Kreif, Rocha and Huber (2023) は2倍のローバストなR-ラーナーを用いて導入し、Imai, Qin, Yanagi (2023) は1つの連続共変体について研究している。 私たちが追加するのは、それを見積もる別の方法です。 それらの手法がニュアンス関数をモデル化することによって相違を取り除く場合、Kattenberg, Scheer and Thiel (2023) と Gavrilova, Langorgen and Zoutman (2025) の固定効果残差化に続いて、各ツリーノード内の単位と周期効果を区別して除去し、Callaway-Sant'Anna群時間構造に含める。 モンテカルロの実験では、推定器は、コホートの変化による停滞したタイミングで全体効果を保ち、正しくカバーする唯一の森林ベースの手法である。 本手法を,ACAメディケイド拡張の停滞した郡レベルのロールアウトに応用し,無保険率の平均2.25ポイントの低下と,低所得郡と低所得郡が大幅にカバー範囲を拡大した条件付き表面 – 社会経済的共変量に沿って測定された不均一性 – に応用した。

関連論文リスト

• Splitting the Difference: Interpretable Causal Forests for Treatment Effect Heterogeneity and Bias [0.0]
  本稿では,個々の治療効果を推定するための決定木とランダム森林に基づくアルゴリズムを提案する。 我々のアルゴリズムは単純で、標準的なランダム・フォレストのように動作しますが、異なる分割基準で動作します。 完全な正当性関数を別々に見積もることなく、様々な治療適合性を持つ観察的研究を扱う。
  論文  参考訳（メタデータ） (2026-09-15T10:43:57Z)
• Attenuated Heterogeneity in Fixed-Effects Causal Forests, and a Cross-Fitted Correction [0.0]
  因果樹林は、木々を横断する優良な葉レベル効果を平均化する条件平均処理効果を推定する。 この平均値が推定不均一性を系統的に減衰させることを示す。 我々はChernozhukovらによる最適線形予測器の校正に適応し、非減衰勾配をバッグ外から推定する。
  論文  参考訳（メタデータ） (2026-07-24T20:18:11Z)
• Topological Ignorability for Structural Causal Effects Beyond Means [0.0]
  介入は平均よりも結果分布の構造を変化させる。 平均治療効果のような平均的な因果推定は重要な構造的効果を欠く可能性がある。 本稿では,介入結果法則の要約に基づくトポロジカル・幾何学的因果指標を提案する。
  論文  参考訳（メタデータ） (2026-05-31T11:56:53Z)
• Calibrated Inference for the Conditional Average Treatment Effect in the Few-Placebo Regime via Gaussian Processes [0.0]
  片方の治療用アームが他方よりもはるかに小さい,少数のプラセボ系について検討した。 それらは、その名目レベルよりも、真の効果をほとんど含まない。 本稿では,各アームの結果面をガウス過程でモデル化するGP-CATEを提案する。
  論文  参考訳（メタデータ） (2026-05-26T11:18:42Z)
• Disentangled Double Machine Learning for Accurate Causal Effect Estimation [80.07136847623498]
  共起バイアスは観測データから因果効果を推定する上で重要な課題である。 二重機械学習(Double Machine Learning, DML)は、処理と結果ニュアンス関数を推定することによってこの問題に対処する。 DMLは高次元または有限サンプルのシナリオにおいてバイアス付きおよび不安定な推定をしばしば生成する。 本稿では,2つの重要な戦略を統合する新しいアルゴリズムであるDistangled Double Machine Learning (DDML)を提案する。
  論文  参考訳（メタデータ） (2026-05-24T01:40:43Z)
• Doubly Robust Proxy Causal Learning with Neural Mean Embeddings [58.8808794752741]
  我々は、連続的かつ構造化された治療を用いて因果学習をプロキシするための、神経的に二重に頑健なフレームワークを開発する。 このフレームワークは、人口、不均一、条件付き線量応答関数をカバーし、完全な応答曲線推定器を生成する。 合成および画像評価ベンチマーク全体で、提案した推定器は既存のベースラインと単一ブリッジニューラル推定器より優れている。
  論文  参考訳（メタデータ） (2026-05-10T12:50:25Z)
• DARTS: Targeting Prognostic Covariates in Budget-Constrained Sequential Experiments [47.61857875238484]
  我々はトンプソンサンプリング(DARTS)による動的適応的ランダム化を導入する。 DARTSは、共変量取得を設計に基づく因果推論タスクに埋め込まれた逐次最適化問題として扱う。 我々は,最小限の値と対数的因子とを一致させる獲得層に対してベイズリスクを導出する。
  論文  参考訳（メタデータ） (2026-05-07T17:27:51Z)
• Unity Forests: Improving Interaction Modelling and Interpretability in Random Forests [45.88028371034407]
  ランダム・フォレスト(RF)は、予測と変動重要度分析に広く利用されている。 UFOでは、各木の最初のいくつかの分割を共同で最適化する。 UFOは標準的なRFよりも高い識別精度と予測精度を達成した。
  論文  参考訳（メタデータ） (2026-01-11T17:36:58Z)
• Accounting for Missing Covariates in Heterogeneous Treatment Estimation [17.09751619857397]
  生態学的推論に基づく新しい部分的識別戦略を導入する。 私たちのフレームワークは、他の方法では不可能であるよりもずっと厳密な境界を生成できることを示します。
  論文  参考訳（メタデータ） (2024-10-21T05:47:07Z)
• Clustered Switchback Designs for Experimentation Under Spatio-temporal Interference [44.644520116360106]
  我々は, 平均治療効果 (GATE) を推定し, 全単位を常に治療やコントロールに曝露した平均結果の差を推定した。 そこで我々は,単位をクラスタにグループ化し,時間ステップをブロックにグループ化する,クラスタ化されたスイッチバック設計を提案する。 良好なクラスタリングを許容するグラフに対して, トラッピングされたHorvitz-Thompson推定器が$tilde O(1/NT)$平均二乗誤差(MSE)を達成することを示す。 我々の結果は、citethu2022switchback、ugander2013graph、citetleung2022rateの結果を同時に一般化する。
  論文  参考訳（メタデータ） (2023-12-25T01:00:58Z)
• 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)
• Robust and Agnostic Learning of Conditional Distributional Treatment Effects [44.31792000298105]
  問題クラスに対する条件付きDTE(Conditional DTE)を学習するための、新しい堅牢でモデルに依存しない方法論を提供する。 本手法は回帰モデルクラスにCDTEの最良のプロジェクションを提供することができるため,モデルに依存しない。 シミュレーションにおける提案手法の挙動と,富に対する401(k)の適格性の影響を事例として検討した。
  論文  参考訳（メタデータ） (2022-05-23T17:40:31Z)
• Treatment Effect Risk: Bounds and Inference [58.442274475425144]
  平均的な治療効果は社会福祉の変化を測定するため、たとえ肯定的であっても、人口の約10%に悪影響を及ぼすリスクがある。 本稿では,ICT分布のリスク条件値(CVaR)として定式化されたこの重要なリスク尺度をどう評価するかを検討する。 いくつかの境界は、複素CATE関数を単一の計量に要約したものと解釈することもでき、有界であることとは無関係に興味を持つ。
  論文  参考訳（メタデータ） (2022-01-15T17:21:26Z)

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。