如何评价广义随机森林 (GRF)？

nan.xiao

https://grf-labs.github.io/grf/

GRF 基于随机森林做统计估计和推断，提供了用于异质性治疗效果的非参数方法（也可以选择使用右删失结果、多治疗臂或多结果、工具变量）。还提供了最小二乘回归、分位数回归和生存回归的选项，当然，所有这些都支持处理缺失值。

因果森林 (causal forest) 听起来是一个很好的想法，不知在实践中效果如何？

xiaoazhang

互联网行业，工作中了解到一些：因果森林(GRF)，或者说uplift model(ED分裂准则)，再或者Meta-learner(one model/two model)经常一起聊的，核心的问题都是估计异质处理效应：对哪些人，处理是有效的；哪些人是无效的/或者负面的。

具体的应用场景不外乎（以下排名分先后）：
- 优惠券：对那些人发，那些人不发
- 广告/push等

具体的实践效果比较复杂：

GRF需要基于随机实验的数据：GRF的论文没有刻意提到这一点，但大部分情况下，基于观察实验的GRF模型结果非常不可靠
有随机实验数据、样本量比较大，且场景合适的情况下，GRF/uplift model比其他模型要好
2的情况不太常见，GRF/uplift model的结果经常不稳定
最后，这些实际的应用场景，还有个「应不应该」的问题😂

nan.xiao

最近 Nature Human Behaviour 发表了一篇使用因果森林的文章《Causal effect of video gaming on mental well-being in Japan 2020–2022》，看了以后让人感觉脑洞大开。

这个文章的大意是说，2020 年到 2022 年期间全世界的游戏主机（Switch 和 PS5）由于供应链的问题出现严重短缺很难买到，某些日本商家只能通过让买家通过抽签的方式来购买，从而形成了一个自然实验（natural experiment）。他们就用因果森林分析了相关的调查数据（样本量还算大），考察玩视频游戏对心理压力和生活满意度的影响，结果显示拥有一台游戏机可以降低心理压力，提高生活满意度，以及不同类型主机对不同人群的影响存在区别。

tctcab

nan.xiao

这个研究没细看，我的疑问是没主机就不能找点替代乐子排解心理压力提高生活满意度了吗… 原神启动只需要一部手机嘛 🙂

bjt

在业界用的很多，一般直接用于投放策略的优化，毕竟是因果推断技术。还有一种场景是分析师用，比如两组实验结果打平了，但老板实在不能认，毕竟气氛都烘托到那了。这时候，分析师会祭出 GRF，来看哪波用户实际上还是有一定效果的。这一波下去之后，各方都可以下车了。