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。
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 | 验证范围 |
|---|---|---|---|---|
| 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。