本文比较经典分类回归树(CART)与最大化距离最终分裂方法(MDFS)在政策精准识别高风险子群体中的表现。理论分析表明,CART的分裂点不随政策阈值变化,而MDFS能够根据阈值自适应选择最优分裂点,从而识别CART遗漏的高风险群体。在农村医院关闭案例中,以两年内关闭概率35%为目标阈值,MDFS额外识别出营利性、应收账款天数超过约63天的高风险医院,并提供Python、R和Stata实现的targetree软件包。
报告标题:《Policy Targeting with Binary Classification Trees: an Application to Rural Hospital Closures》(《使用二元分类树进行政策定位:农村医院关闭问题的应用》)。
作者:Hongying Li,俄亥俄州立大学统计学系;Lei Bill Wang,德克萨斯大学奥斯汀分校经济学系。
发布机构与日期:所提供文本未明确列出正式出版机构、期刊名称或报告发布日期,因此无法仅依据当前材料补充这些信息。文献中提及的相关方法论文 Wang、Jiao 和 Wang 发表/收录于 2026 年 5 月的 AISTATS 会议论文集,但这并不等同于本文自身的发布日期。
研究主题:二元分类树在政策定位中的应用,具体用于识别未来两年内可能关闭的高风险农村医院。
报告的核心比较对象是两种分类树算法:传统的分类与回归树(CART)以及最大化距离最终分割方法(MDFS)。作者的核心论点并非简单地认为“更复杂的算法一定更好”,而是指出:CART的分割标准主要追求总体预测误差或组间方差差异,而不直接围绕政策制定者预先给定的风险阈值进行优化;MDFS则将该政策阈值纳入最终分割标准,因此可能识别出CART遗漏的高风险子群体。
在农村医院应用中,政策制定者将未来两年关闭概率超过35%设定为目标标准,即 (c=0.35)。MDFS在CART已经识别的两个高风险群体之外,额外识别出一类高风险医院:总利润率高于-9.66%、属于营利性医院,且应收账款天数(DAR)超过约63.13天。该群体的估计关闭率为37.50%,刚好超过35%的政策阈值,而CART未能将其识别出来。
报告首先将研究置于更广泛的政策定位文献中。二元分类问题的目标不是估计所有个体的精确结果,而是从总体中找出具有较高不利结果概率的子群体,以便政策资源进行定向配置。此前类似研究曾利用树算法识别高风险抵押贷款申请人、存在金融约束的家庭以及可能发生腐败的地方政府。
树算法的基本机制是递归地按照可观测特征切分样本,每一次切分都把总体分成更具同质性的子群体,最终形成若干终端节点。研究者随后计算每个终端节点的不利结果平均概率,并与预先规定的阈值进行比较:若终端节点的平均概率超过阈值,则将该节点标记为目标群体。
这一流程包含两个不同层次的目标:
报告认为,传统CART在统计预测目标上表现良好,并不意味着它必然适合政策定位。因为CART所选择的分割点可能对目标阈值不敏感,即无论政策制定者设定何种阈值,CART仍然倾向于选择同一个分割点。相比之下,MDFS会根据政策阈值调整最终分割,从而更有可能把“刚刚超过政策门槛”的群体单独识别出来。
作者随后将这一理论差异应用到农村医院关闭问题。农村医院关闭率上升会影响当地居民获得医疗服务的便利性、社区经济活动以及急诊和基础医疗供给,因此及时识别可能关闭的医院具有现实政策价值。报告同时指出,已有研究已经建立了农村医院财务困境和关闭风险的预测框架,本研究的贡献在于进一步比较不同分类树算法对高风险子群体的识别能力。
作者构造了一个简化的理论环境。结果变量 (Y_i) 是二元变量,取值为0或1,代表是否发生不利结果;协变量 (X_{i1}) 和 (X_{i2}) 服从均匀分布。作者说明,连续变量可以通过其分位数转换为均匀分布,因此该设定并不必然限制方法的适用范围。
政策制定者预先规定风险阈值 (c),目标是识别满足:
[ P(Y_i=1\mid X_i)>c ]
的子群体。在农村医院应用中,这一阈值为0.35,即需要识别未来两年关闭概率超过35%的医院。
对于给定协变量和分割点 (s),CART把样本划分为左组和右组,并计算两个子组内结果变量的方差,再按照各组样本规模进行加权。CART选择使加权组内方差最小的协变量—分割点组合。
由于结果变量是二元变量,组内方差与该组事件概率 (\mu) 有关。直观地说,CART倾向于寻找能够最大程度提高两个子组风险概率差异、或使各组内部更加纯粹的切分点。但该目标并没有直接要求某一组的风险概率必须超过政策阈值 (c)。这正是CART可能在政策定位中遗漏高风险群体的原因。
在理论例子中,作者假定:
[ P(Y_i=1\mid X_{i1})=aX_{i1} ]
其中风险概率随 (X_{i1}) 线性上升。CART在这一设定下始终选择 (s_{\text{CART}}=0.5),且这一分割点不随阈值 (c) 改变。分割后,左侧子群体的平均风险为 (a/4),右侧子群体的平均风险为 (3a/4)。在作者给定的参数条件下,这两个平均风险均低于阈值 (c),因此CART不会把任何一组标记为目标群体。
这里的关键含义是:总体中可能存在一部分个体,其个体层面的条件风险已经超过政策阈值,但由于CART在中点附近进行切分,右侧组中混入了较多低风险个体,导致该组平均风险仍低于阈值。因此,CART的统计意义上的“合理切分”并不一定对应政策意义上的“有效定位”。
MDFS的区别在于最终分割使用了包含政策阈值 (c) 的目标函数。其设计目标不是仅仅最大化两组风险差异,而是尽量寻找能够把风险低于阈值与风险高于阈值的观测分开的分割点。
在同样的线性概率设定下,MDFS选择:
[ s_{\text{MDFS}}=\frac{c}{a}. ]
由于条件风险为 (aX_{i1}),当 (X_{i1}=c/a) 时,个体的条件风险正好等于阈值 (c)。因此,该切分点具有直接的政策含义:左侧主要对应风险不超过阈值的观测,右侧则对应风险超过阈值的观测。
MDFS切分后的左组平均风险为 (c/2),低于阈值;右组平均风险为 ((a+c)/2),高于阈值。因此,MDFS能够识别右侧的高风险目标群体,而CART无法做到这一点。
需要注意的是,原文中部分公式在文本转录时存在排版或分数格式缺失,例如参数条件和 (s_{\text{MDFS}}) 的显示形式略有混乱。但结合正文、图2和附录证明,可以明确其 intended 结论是:MDFS的分割点为 (c/a),左组均值为 (c/2),右组均值为 ((a+c)/2)。
图1比较了CART和MDFS生成的农村医院目标定位政策。灰色内部节点表示分割条件,左分支满足该条件,右分支不满足该条件;终端节点显示估计关闭率 (\hat{\mu}) 和样本量 (N)。蓝色终端节点表示估计关闭率超过0.35,因此被纳入政策目标群体;白色节点表示不超过0.35,不予目标定位。
CART首先以总利润率-9.66%为分割点。总利润率低于或等于该水平的医院进入左侧分支,随后按照入住率17.43%继续切分。该路径最终形成一个关闭率为58.82%、样本量为51的高风险群体。该群体可以理解为:财务表现很差且床位入住率很低的医院。
在低总利润率医院中,CART进一步按照是否为营利性医院进行区分。非营利医院中有一组关闭率16.19%、样本量105,未达到阈值;营利医院则有一组关闭率51.28%、样本量39,被标记为目标群体。由此,CART呈现出一个重要结论:在低总利润率医院内部,营利性医院的关闭风险显著高于非营利性医院。
对于总利润率高于-9.66%的医院,CART进一步按照是否为营利性医院切分。非营利医院又按照入住率16.77%切分,两个终端节点的关闭率分别为10.29%和2.50%;营利医院则按照DAR 35.9741天切分,两个终端节点的关闭率分别为4.13%和32.00%。由于32.00%低于35%的阈值,因此CART没有将这一组定位为目标群体。
MDFS的前两层分割与CART相同:先按总利润率-9.66%切分,再在相关节点中按入住率或营利性进行细分。因而,MDFS保留了CART识别的两个高风险群体:关闭率58.82%、样本量51的低利润率低入住率医院,以及关闭率51.28%、样本量39的低利润率营利性医院。
MDFS的关键差异出现在总利润率较高且属于营利性医院的分支。MDFS不再使用约35.97天的DAR分割点,而是选择约63.13天。DAR低于或等于63.13天的医院关闭率为10.37%,样本量164;DAR高于63.13天的医院关闭率为37.50%,样本量32。后者超过0.35的政策阈值,因此被额外标记为目标群体。
这一结果说明,医院的总体利润状态并不是唯一重要因素。即使一家营利性农村医院的总利润率尚未低于-9.66%,如果其应收账款周转时间过长,仍可能面临较高的未来关闭风险。DAR反映医院从提供医疗服务到实际收回应收款项所需的时间,较高的DAR可能意味着现金流承压、回款困难或财务流动性恶化。
图2的面板(a)绘制了条件风险函数 (P(Y_i=1\mid X_{i1})=aX_{i1})。蓝色代表CART,红色代表MDFS。CART在横轴 (X_{i1}=0.5) 处切分,而MDFS在 (X_{i1}=c/a) 处切分。由于MDFS的切分位置正好对应条件风险达到政策阈值 (c) 的位置,所以其政策含义更直接。
面板(b)进一步展示了目标决策。CART切分后,左组平均风险为 (a/4),右组为 (3a/4),两者都低于 (c),因此两个组均不被定位。MDFS切分后,左组风险为 (c/2<c),右组风险为 ((a+c)/2>c),因此右组被准确识别为目标群体。
图2支持报告的理论命题:当风险随着某一协变量单调上升,并且存在一个穿越政策阈值的临界点时,MDFS能够围绕该临界点进行分割,而CART可能因为追求方差最小化而选择与政策阈值无关的分割点。
研究将专有的RAND医院数据与公开的Area Health Resources Files及农村医院关闭记录进行合并。数据覆盖2001年至2022年,包含1,916家医院,其中153家在样本期内关闭。每家医院最终仅保留一个观测,该观测包含年份 (t) 的医院特征,以及年份 (t+2) 的开放或关闭状态,因此模型关注的是两年期关闭风险,而不是当期关闭风险。
附录进一步说明了样本构造过程。对于最终关闭的医院,研究者保留其关闭前两年的观测;对于样本期内始终开放的医院,则从其多个医院—年份观测中随机选择一年。原始数据中有37,703条开放医院—年份观测,经处理后形成1,763条开放医院层面的观测,加上153家关闭医院,共计1,916家医院。
缺失值处理采用分层中位数或众数填补:数值变量优先使用医院自身跨年份的中位数;如果无法获得,则使用州—年份中位数;再无法获得时使用全样本中位数。分类变量采取对应的众数填补。这种处理有助于保留样本规模,但也可能削弱变量的真实波动,尤其是在缺失并非随机的情况下。
算法设置为:政策阈值 (c=0.35)、最大树深度为3、每个终端节点样本量必须大于30。深度为3意味着树的解释性较强,目标群体由少数几个规则的交集定义,但同时也限制了模型识别更复杂风险组合的能力。
报告提供了名为targetree的软件包,支持Python、R和Stata。该软件包的主要功能有两个:第一,生成可解释的目标定位政策;第二,将复杂的统计预测结果转化为由少数分割规则构成的政策条件。
例如,最终政策可以用“总利润率低于某值且入住率较低”或“属于营利性医院且DAR超过某值”等形式表达。这种规则比黑箱模型的单一预测分数更便于政策部门、医院管理者和公共财政机构理解和执行。
附录还介绍了两类扩展方法:
惩罚最终分割方法(PFS):其分割标准是CART目标函数和MDFS目标函数的凸组合。参数 (\lambda\in[0,1])。当 (\lambda=0)时,PFS等同于CART;当 (\lambda=1)时,等同于MDFS。PFS在比MDFS更宽泛的条件下可能优于CART,但不能像MDFS一样保证达到理论最优分割点。
知识蒸馏方法:随机森林作为教师模型,通过大量树的集成提高预测能力;CART或MDFS作为学生模型,将随机森林掌握的复杂信息压缩成一棵更易解释的树。targetree的Python版本提供了两种知识蒸馏算法,分别使用CART和MDFS作为学生模型。
本文不是公司证券研究报告,也不涉及股票评级、目标价、DCF、可比公司估值、P/E或EV/EBITDA等金融估值方法。因此不存在传统意义上的估值章节。报告的“目标”是政策定位,而不是确定医院企业或相关公司的市场价值。
其核心评价标准是分类树能否准确识别关闭概率超过政策阈值的子群体。换言之,本文中的“目标”是概率阈值意义上的政策目标群体,而不是资本市场意义上的价格目标。
报告本身没有设置独立的风险章节,但从数据、方法和应用设计中可以识别出若干需要谨慎看待的因素。
首先,样本数据包含专有RAND医院信息,原始数据并未公开,作者只提供了用于测试软件的开放数据。因此,外部研究者可能难以完全复现农村医院实证结果,只能复现算法实现和软件流程。
其次,每家医院只保留一个观测。关闭医院取关闭前两年的状态,而持续开放医院随机选择某一年。这种样本构造虽然避免了同一家医院多年观测造成的权重问题,但也牺牲了时间序列信息,并可能使开放医院的代表性依赖随机抽样结果。
再次,缺失值采用医院中位数、州—年份中位数和全样本中位数填补。该方法操作简单,但如果缺失与医院财务困难、管理质量或关闭风险有关,填补后的变量可能低估真实差异。
此外,政策阈值0.35由研究设定,报告没有在正文中进一步展示不同阈值下树结构和目标群体是否稳定。由于MDFS明确依赖阈值 (c),阈值改变可能导致最终分割点、目标群体规模和政策含义发生变化。
最后,报告强调MDFS可以识别高风险子群体,但“识别高风险”属于预测或关联意义,并不等同于证明DAR、营利性或总利润率对医院关闭具有因果影响。作者也将其表述为突出既有因果或关联研究的政策相关性,而非声称树算法本身建立了因果关系。
报告最有价值的地方在于明确区分了“预测最优”和“政策定位最优”。CART并非一定预测能力差,而是其方差最小化标准没有直接围绕政策阈值设计;MDFS则在最终分割阶段引入阈值信息,因此更适合需要识别“超过某个风险门槛”的政策场景。
实证结果和理论命题高度一致。CART识别了两个高风险群体,但遗漏了一个关闭率37.50%的营利性医院群体;MDFS通过将DAR分割点从约35.97天调整至63.13天,将这一群体从原本关闭率32.00%的混合组中分离出来。该差异表明,分割点的选择不仅影响预测精度,也会直接影响政策资源覆盖哪些医院。
总体而言,作者主张在政策定位任务中,不应机械地把传统CART作为唯一工具。若政策目标是识别超过既定风险阈值的群体,MDFS或其扩展方法可能更具针对性。农村医院案例显示,除了已经发生的盈利恶化,总利润率较高但应收账款回收周期过长的营利性医院同样可能属于高风险群体。报告的最终贡献包括理论上证明CART可能遗漏目标群体、实证上展示MDFS的额外识别能力,以及通过targetree软件包推动这一类政策定位方法在Python、R和Stata中的应用。
2609.13068.pdf