📖 AI 总结

本文提出Wasserstein因果森林（WCF）方法，用于处理每个个体的结果本身即为一个概率分布的情形。研究定义了有限网格变换下的平均与条件平均处理效应，并引入参考距离对比，用以检验处理是否使个体分布向预设基准靠拢。模拟实验涵盖零效应、位置与形状变化、重叠有限、均值相同但分布不同、异质性效应、多模态及结构性零值等场景。结果显示，WCF在多数设计中对条件分布律指标的估计最准确，在主要的位置—形状设定下显著改善参考效应估计，但在多模态情形下精度不及森林基线方法。将该方法应用于Project STAR数据后发现，小班教学不仅改变均值，还使同年级数学成绩平均提高0.161个标准差（SE 0.028），且增益并非均匀位移，在班级分数分布上端更大（九十分位+0.179，十分位+0.091），在服务经济最弱势学生的学校中描述性分层估计最大（免费午餐最高四分位+0.262），而整体离散度基本不变。

🔑 关键词速览