Pablo Zavala · AI 安全评估 · 研究工程
这是一项University of Chicago Booth的大数据研究，与Will Sigal合著，利用结构特征与社区特征，为洛杉矶县3,804套独栋住宅定价，随后对自己的头条结论进行审查。一个调优后的堆叠集成模型，在随机交叉验证下达到样本外R²为0.621，当评分转向留出的地理区块时降至0.431；而在另一项独立的留一区域交叉验证跨度测试中，树集成模型的表现衰减至趋近于零，这个毫不起眼的正则化线性模型反而在跨空间范围内表现最为稳健。交叉拟合的Double/Debiased ML显示，直接沿海溢价接近每平方英尺+29.8%，而朴素的私立学校溢价则收缩至统计上的零。
在约十个调优后的学习器中，随机交叉验证下R²为0.621，在空间分块交叉验证下降至0.431；而留一区域交叉验证跨度测试，则使树集成模型的表现趋近于零；Double ML估计出的直接沿海溢价为+29.8%（95%置信区间为[0.16, 0.33]对数点），并将朴素的私立学校差距收缩至+0.7%。
因果结论的成立仅以可忽略性假设为前提，沿海效应的估计依赖于100户接受处理的住宅，且第三方条款使住宅层级的数据行留在仓库之外，因此完整的重新运行须从已提交的数据摄取代码所重建出的已清洗数据表开始。
角色: 与Will Sigal共同完成的课程项目：二人共同负责分析代码包与这篇22页工作论文的设计、建模与撰写。
| 维度 | 样本 | 评估器 | 结果 | 边界 |
|---|---|---|---|---|
| 主要产出 | 洛杉矶县152个城市中的3,804套独栋住宅房源，一张已清洗的建模数据表 | 在随机五折、空间分块与留一区域三种交叉验证下汇总的折外R²；配合堆叠的嵌套交叉验证调参扫描 | 调优后的堆叠集成模型在随机交叉验证下以R²为0.621领先；空间分块交叉验证将其得分拉低至0.431，而调优后的Elastic Net则以0.448取得最佳空间得分；在留一区域交叉验证的跨度测试中，正则化线性模型的外推表现最佳。 | 仅涉及一个县、一次房源快照；空间分块只是对真实跨区域部署情形的近似，而非再现。 |
| 因果审计 | 四类处理变量：半英里内是否沿海（100户接受处理）、2英里内是否有私立学校、1英里内是否发生止赎、按英里计的距离 | 配合梯度提升干扰函数的交叉拟合Double/Debiased ML；用于95%置信区间的空间分块自助法（bootstrap）；控制变量集敏感性检验 | 沿海+29.8%（置信区间为[0.16, 0.33]对数点）；私立学校+0.7%（置信区间为[-0.11, 0.11]对数点）；止赎-7.0%（置信区间为[-0.14, -0.01]对数点），解读为具有提示性；仅控制结构性变量时，沿海总溢价读数为+79.4%。 | 属于经混淆调整的观测性估计，仅在给定控制变量满足可忽略性假设时才具有因果含义。 |
| 证据等级 | 公开仓库，包含工作论文、图、表、测试与CI | make all可离线重新生成每一张图与每一张表；macros.tex、results.json与results_full.json把稿件锁定到流水线输出上 | 本页引用的每一个数字，都出现在已提交的结果文件、自动生成的macros、论文表格、README或托管的论文PDF之中。 | 住宅层级的数据行依第三方条款保持未公开状态；重建已清洗的数据表，需要原始数据源，外加已提交的数据摄取代码。 |
| 所属机构 | University of Chicago Booth，BUSN 41201 (Big Data)，2024年5月 | 论文标题页与仓库README | 由Pablo Zavala与Will Sigal合著的研究生课程作业，遵循Taddy Business Data Science toolkit的方法框架。 | 课程讲义、题目要求与评分背景信息保持不公开。 |
| 页面更新时间 | 2026年7月 | 网站内容台账 | 条目于2026年7月10日根据公开仓库、其已提交的结果与工作论文撰写。 | 数字反映的是已提交的流水线输出，而非一次全新的重新运行。 |
论文在不同的评分体系下为学习器打分，而每种体系回答的都是不同的问题。随机交叉验证（调优后集成模型的R²为0.621）为一套邻居已出现在训练集中的住宅定价；空间分块交叉验证（0.431）为一个部分留出的区域定价；而覆盖LASSO、随机森林与XGBoost的留一区域交叉验证跨度测试，则为全县中真正未见过的部分定价，其中树集成模型的表现衰减至趋近于零。不同评分体系之间的跨度，衡量的是头条数字中有多少建立在插值之上。
每一项因果结论旁边，都并列着它对应的朴素结果。原始沿海差距为0.904对数点，收缩为Double ML估计值0.261；原始私立学校差距为0.442，收缩为0.007，且置信区间跨越零；止赎的关联效应则出现符号翻转，调整后从原本为正的原始差距变为-7.0%，这一估计值论文将其解读为具有提示性，因为置信区间的端点接近零。
在已清洗的建模数据表就位后（受第三方条款限制，住宅层级的数据行仍不予公开），make analysis可离线地在约两分钟内重建基线图表，make all则会重新生成全部内容，而已提交的结果记录显示，完整的调参加因果分析运行耗时21.9分钟。自动生成的macros把稿件中的每一个数字都锁定到流水线输出上，测试守护着数据契约，CI则运行纯逻辑测试套件，数据卡记录了每个未公开数据源的溯源信息，因此每一个被引用的数字都可以追溯到已提交的代码。
每平方英尺价格在洛杉矶县内可以相差数倍，且往往在短短几英里之内就会出现这种差距；而在空间数据上，单一的交叉验证得分会让任何学习器都显得比实际更出色。因此，这项研究需要一套评估方案，把可迁移的结构关系，与近邻之间的插值区分开来。
这张分析数据表包含152个城市中的3,804套独栋住宅房源，每一条记录都通过空间连接，与七个社区数据层做了特征增强：学校数量、普查区层面的暴力犯罪率、普查区收入与人口密度、公园面积、高评分餐厅、2021年止赎备案，以及海岸距离。目标变量为每平方英尺对数价格，它压低了过重的右尾，使系数可以近似地解读为百分比效应。
由约十个学习器构成的调参扫描，以一个堆叠集成模型作为顶层，基于汇总的折外预测，在随机五折与空间分块两种方案下评分，而另一项独立的留一区域交叉验证跨度测试，则对未经调优的LASSO、随机森林与XGBoost三者进行压力测试。一个配备HC3稳健标准误的特征价格OLS回归、一次LASSO稀疏性检验，以及一轮针对随机森林的留出集置换重要性分析，共同负责处理关联关系；配合空间分块自助法的交叉拟合Double/Debiased ML，负责处理因果调整；Moran's I则检验残差的空间聚集性。
堆叠集成模型在随机交叉验证下达到R²为0.621，在空间分块交叉验证下为0.431；在留一区域交叉验证的跨度测试中，当留出区域达到全县一半时，XGBoost降至0.007，而LASSO仍保持0.276。Double ML显示，相较于0.904的朴素差距，直接沿海溢价为每平方英尺+29.8%（95%置信区间为[0.16, 0.33]对数点）；私立学校溢价收缩至统计上的零；止赎的外部性则翻转为-7.0%，这是一个具有提示性的读数，因为置信区间的端点接近零。
因果估计仍属于观测性估计，其成立仅依赖于可忽略性假设本身，且沿海对比依赖于100户接受处理的住宅；样本外残差仍保留着空间结构（随机交叉验证下Moran's I为0.056，空间分块交叉验证下为0.346），这指向了下一步需要引入显式的空间误差模型。
在已清洗的数据表就位后，这个公开仓库通过make all离线重新生成每一张图与每一张表，并通过自动生成的macros将稿件中的数字锁定到流水线输出上，同时配备测试与一个纯逻辑CI测试套件；数据卡则记录了每个未公开数据源的溯源信息与许可信息。