预测误差骗了你！因果估计好坏不能只看它，XGBoost未必最优
When Prediction Error Is Not Enough: Evaluating Nuisance-Function Prediction for Causal Estimation
📖 AI 总结
该研究探讨了因果推断中干扰函数预测误差与因果估计质量之间的关系。通过部分线性模型下的蒙特卡洛模拟，作者比较了OLS、广义加性模型、XGBoost及双重机器学习结合XGBoost四种方法，评估了预测误差、偏差、均方根误差和置信区间覆盖率。结果显示，XGBoost在非基准方法中均方根误差最低，而DML-XGBoost的置信区间覆盖率更优。关键发现是预测误差与因果偏差在不同方法和场景下并不一致，点估计表现最佳的方法未必有最好的区间覆盖率，联合误差指标与因果偏差关联微弱。结论指出，预测误差可用于评估干扰函数估计，但不应视为因果估计质量的直接衡量标准。该研究为因果推断中模型评估提供了方法学参考，提示研究者需区分预测精度与因果估计性能。
🔑 关键词速览
| nuisance-function | 干扰函数，指因果推断中非主要关注但需要估计的辅助函数，如倾向得分或结果回归模型。 |
| partially linear model | 部分线性模型，一种包含线性部分和非线性部分的回归模型，常用于因果推断。 |
| Double Machine Learning (DML) | 双机器学习，一种结合机器学习与因果推断的方法，通过交叉拟合减少偏差。 |
| Monte Carlo simulation | 蒙特卡洛模拟，通过随机抽样重复实验来评估统计方法性能的数值方法。 |
| confidence interval coverage | 置信区间覆盖率，指置信区间包含真实参数值的频率，衡量区间估计的准确性。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅