广义随机森林

这是一个用于基于森林的统计估计与推断的R包。GRF提供了非参数方法来估计异质性处理效应（可选地使用右删失结果、多处理组或多个结果，或工具变量），以及最小二乘回归、分位数回归和生存回归，并且都支持缺失协变量。

此外，GRF还支持“诚实”估计（即使用数据的一个子集来选择分裂点，而另一个子集用来填充树的叶子），并为最小二乘回归和处理效应估计提供置信区间。

一些有用的入门链接：

• R包文档包含使用示例和方法参考。
• GRF参考文档详细描述了GRF算法，并提供了故障排除建议。
• 如有使用方面的社区问题与解答，请参阅Github上标记为‘question’的问题。

该仓库最初是从ranger仓库分叉出来的——我们非常感谢ranger作者们提供的实用且免费的软件包。

安装

可以通过CRAN安装最新版本的包：

install.packages("grf")

conda用户可以从conda-forge频道安装：

conda install -c conda-forge r-grf

当前开发版本可以使用devtools从源代码安装。

devtools::install_github("grf-labs/grf", subdir = "r-package/grf")

请注意，从源代码安装需要一个支持C++17或更高版本的编译器。如果在Windows上安装，还需要RTools工具链。

使用示例

以下脚本演示了如何使用GRF进行异质性处理效应的估计。有关如何使用其他类型森林的示例，请参阅R包的文档，其中包含了相关方法的说明。

library(grf)

# 生成数据。
n <- 2000
p <- 10
X <- matrix(rnorm(n * p), n, p)
X.test <- matrix(0, 101, p)
X.test[, 1] <- seq(-2, 2, length.out = 101)

# 训练因果森林。
W <- rbinom(n, 1, 0.4 + 0.2 * (X[, 1] > 0))
Y <- pmax(X[, 1], 0) * W + X[, 2] + pmin(X[, 3], 0) + rnorm(n)
tau.forest <- causal_forest(X, Y, W)

# 使用袋外预测估计训练数据的处理效应。
tau.hat.oob <- predict(tau.forest)
hist(tau.hat.oob$predictions)

# 估计测试样本的处理效应。
tau.hat <- predict(tau.forest, X.test)
plot(X.test[, 1], tau.hat$predictions, ylim = range(tau.hat$predictions, 0, 2), xlab = "x", ylab = "tau", type = "l")
lines(X.test[, 1], pmax(0, X.test[, 1]), col = 2, lty = 2)

# 估计全样本上的条件平均处理效应（CATE）。
average_treatment_effect(tau.forest, target.sample = "all")

# 估计治疗组上的条件平均处理效应（CATT）。
average_treatment_effect(tau.forest, target.sample = "treated")

# 为异质性处理效应添加置信区间；现在建议增加树的数量。
tau.forest <- causal_forest(X, Y, W, num.trees = 4000)
tau.hat <- predict(tau.forest, X.test, estimate.variance = TRUE)
sigma.hat <- sqrt(tau.hat$variance.estimates)
plot(X.test[, 1], tau.hat$predictions, ylim = range(tau.hat$predictions + 1.96 * sigma.hat, tau.hat$predictions - 1.96 * sigma.hat, 0, 2), xlab = "x", ylab = "tau", type = "l")
lines(X.test[, 1], tau.hat$predictions + 1.96 * sigma.hat, col = 1, lty = 2)
lines(X.test[, 1], tau.hat$predictions - 1.96 * sigma.hat, col = 1, lty = 2)
lines(X.test[, 1], pmax(0, X.test[, 1]), col = 2, lty = 1)

# 在某些情况下，分别对Y和W进行预拟合模型可能会有所帮助（例如，不同模型使用不同的协变量）。
# 在某些应用中，甚至可能希望使用完全不同的方法（如提升法）来获得Y.hat和W.hat。

# 生成新数据。
n <- 4000
p <- 20
X <- matrix(rnorm(n * p), n, p)
TAU <- 1 / (1 + exp(-X[, 3]))
W <- rbinom(n, 1, 1 / (1 + exp(-X[, 1] - X[, 2])))
Y <- pmax(X[, 2] + X[, 3], 0) + rowMeans(X[, 4:6]) / 2 + W * TAU + rnorm(n)

forest.W <- regression_forest(X, W, tune.parameters = "all")
W.hat <- predict(forest.W)$predictions

forest.Y <- regression_forest(X, Y, tune.parameters = "all")
Y.hat <- predict(forest.Y)$predictions

forest.Y.varimp <- variable_importance(forest.Y)

# 注意：当训练数据的变量非常少时（例如，ncol(X) = 1、2或3），森林可能难以有效工作。我们建议不要过于激进地进行变量选择。
selected.vars <- which(forest.Y.varimp / mean(forest.Y.varimp) > 0.2)

tau.forest <- causal_forest(X[, selected.vars], Y, W,
                            W.hat = W.hat, Y.hat = Y.hat,
                            tune.parameters = "all")

# 通过绘制TOC曲线并计算AUTOC的95%置信区间，查看因果森林是否成功捕捉到了异质性。
train <- sample(1:n, n / 2)
train.forest <- causal_forest(X[train, ], Y[train], W[train])
eval.forest <- causal_forest(X[-train, ], Y[-train], W[-train])
rate <- rank_average_treatment_effect(eval.forest,
                                      predict(train.forest, X[-train, ])$predictions)
plot(rate)
paste("AUTOC:", round(rate$estimate, 2), "+/", round(1.96 * rate$std.err, 2))

开发

除了提供开箱即用的分位数回归森林和因果效应估计森林外，GRF还提供了一个框架，用于创建针对新的统计任务定制的森林。如果您想使用GRF进行开发，请参阅算法参考和开发指南。

资助

GRF的开发得到了美国国立卫生研究院、美国国家科学基金会、斯隆基金会、美国海军研究办公室（Grant N00014-17-1-2131）以及Schmidt Futures的支持。

参考文献

苏珊·阿西和斯特凡·瓦格 利用因果森林估计治疗效应：一项应用 观察性研究, 第5期, 2019年。 [论文, arXiv]

苏珊·阿西、朱莉·蒂布希拉尼和斯特凡·瓦格 广义随机森林 统计学年鉴, 第47卷第2期, 2019年。 [论文, arXiv]

崔一帆、迈克尔·R·科索罗克、埃里克·斯韦德鲁普、斯特凡·瓦格和朱若清 通过因果生存森林利用右删失数据估计异质性治疗效应 皇家统计学会期刊：B辑, 第85卷第2期, 2023年。 [论文, arXiv]

丽娜·弗里德伯格、朱莉·蒂布希拉尼、苏珊·阿西和斯特凡·瓦格 局部线性森林 计算与图形统计期刊, 第30卷第2期, 2020年。 [论文, arXiv]

伊姆克·迈耶、埃里克·斯韦德鲁普、托比亚斯·高斯、让-丹尼斯·莫耶、斯特凡·瓦格和朱莉·若塞 在属性缺失情况下的双重稳健治疗效应估计 应用统计年鉴, 第14卷第3期, 2020年。 [论文, arXiv]

埃里克·斯韦德鲁普、玛丽亚·彼图霍娃和斯特凡·瓦格 精神医学中治疗效应异质性的估计：基于因果森林的综述与教程 国际精神病学研究方法杂志, 第34卷第2期, 2025年。 [论文, arXiv]

埃里克·斯韦德鲁普、詹姆斯·杨和迈克尔·勒布朗 随机生存森林中的高效对数秩更新 2025年。 [arXiv]

斯特凡·瓦格 因果推断：一种统计学习方法 2024年。 [PDF]

斯特凡·瓦格和苏珊·阿西 利用随机森林估计和推断异质性治疗效应 美国统计协会期刊, 第113卷第523期, 2018年。 [论文, arXiv]

史蒂夫·亚德洛夫斯基、斯科特·弗莱明、尼甘·沙赫、艾玛·布伦斯基尔和斯特凡·瓦格 通过排名加权平均治疗效应评估治疗优先级规则 美国统计协会期刊, 第120卷第549期, 2025年。 [论文, arXiv]

grf 快速上手指南

grf (Generalized Random Forests) 是一个基于 R 语言的统计推断包，主要用于非参数化的异质性处理效应估计（因果森林），同时也支持最小二乘回归、分位数回归和生存回归。它支持缺失协变量处理，并提供“诚实”估计（Honest Estimation）及置信区间计算功能。

环境准备

• 操作系统：Windows, macOS, Linux
• 核心依赖：
  • R (建议版本 3.6 或更高)
  • C++ 编译器：安装源码时需要支持 C++17 或更高版本的编译器。
    • Windows 用户：必须安装 RTools (对应您的 R 版本)。
    • macOS 用户：需安装 Xcode Command Line Tools (xcode-select --install)。
    • Linux 用户：需安装 build-essential 或 gcc-c++ 等开发工具包。
• 可选依赖：若使用 devtools 安装开发版，需先安装 devtools 包。

安装步骤

方法一：通过 CRAN 安装（推荐，最稳定）

这是获取最新发布版本的最快方式。国内用户若遇到连接超时，可临时切换至清华或中科大镜像源。

# (可选) 设置国内镜像源，加速下载
options(repos = c(CRAN = "https://mirrors.tuna.tsinghua.edu.cn/CRAN"))

# 安装 grf
install.packages("grf")

方法二：通过 Conda 安装

如果您使用 Conda 管理环境：

conda install -c conda-forge r-grf

方法三：安装开发版本（源码编译）

仅当您需要最新的功能修复且熟悉编译环境时使用。

# 确保已安装 devtools
if (!require("devtools")) install.packages("devtools")

# 从 GitHub 安装
devtools::install_github("grf-labs/grf", subdir = "r-package/grf")

基本使用

以下示例演示如何使用 grf 构建因果森林 (Causal Forest) 来估计异质性处理效应。

1. 生成模拟数据与训练模型

library(grf)

# 生成模拟数据
n <- 2000
p <- 10
X <- matrix(rnorm(n * p), n, p)

# 处理变量 W (倾向得分依赖于 X[,1])
W <- rbinom(n, 1, 0.4 + 0.2 * (X[, 1] > 0))

# 结果变量 Y (存在异质性处理效应)
Y <- pmax(X[, 1], 0) * W + X[, 2] + pmin(X[, 3], 0) + rnorm(n)

# 训练因果森林
# 默认会自动进行超参数调优和使用诚实估计
tau.forest <- causal_forest(X, Y, W)

2. 预测处理效应

使用袋外预测 (Out-of-Bag) 评估训练集效果，或对新的测试数据进行预测。

# 获取训练数据的袋外预测结果
tau.hat.oob <- predict(tau.forest)
hist(tau.hat.oob$predictions, main = "OOB Treatment Effects Distribution")

# 构造测试数据进行预测
X.test <- matrix(0, 101, p)
X.test[, 1] <- seq(-2, 2, length.out = 101)

# 预测测试集的处理效应
tau.hat <- predict(tau.forest, X.test)

# 可视化结果
plot(X.test[, 1], tau.hat$predictions, type = "l", 
     xlab = "X1", ylab = "Estimated Tau", ylim = c(0, 2))
lines(X.test[, 1], pmax(0, X.test[, 1]), col = "red", lty = 2) # 真实效应曲线
legend("topleft", legend = c("GRF Estimate", "True Effect"), 
       col = c("black", "red"), lty = c(1, 2))

3. 估计平均处理效应与置信区间

计算整体样本或特定子样本的平均处理效应，并添加置信区间。

# 估计全样本的条件平均处理效应 (CATE)
average_treatment_effect(tau.forest, target.sample = "all")

# 估计受治组的条件平均处理效应 (CATT)
average_treatment_effect(tau.forest, target.sample = "treated")

# --- 带置信区间的预测 ---
# 为了获得更准确的方差估计，建议增加树的数量 (例如 4000)
tau.forest.ci <- causal_forest(X, Y, W, num.trees = 4000)

# 预测时开启方差估计
tau.hat.ci <- predict(tau.forest.ci, X.test, estimate.variance = TRUE)

# 计算标准误
sigma.hat <- sqrt(tau.hat.ci$variance.estimates)

# 绘制 95% 置信区间
plot(X.test[, 1], tau.hat.ci$predictions, type = "l", ylim = range(tau.hat.ci$predictions + 1.96 * sigma.hat, tau.hat.ci$predictions - 1.96 * sigma.hat))
lines(X.test[, 1], tau.hat.ci$predictions + 1.96 * sigma.hat, lty = 2)
lines(X.test[, 1], tau.hat.ci$predictions - 1.96 * sigma.hat, lty = 2)