Статистические данные > Машинное обучение [представлено 16 октября 2026 года] Название: Агрегирование на уровне единиц разбивает охват в моделях причинно-следственных оснований View PDF HTML (экспериментальное) Резюме: Каузальные модели фундамента (КФМ) дают многообещающие результаты для оценки воздействия лечения, причем оценки на уровне отдельных подразделений являются конкурентоспособными по стандартным критериям. Вместе с тем многие причинно-следственные анализы позволяют принимать решения на основе эффекта, усредненного по группам единиц, таким как полная выборка, обработанные единицы или подгруппа, и для таких решений СФМ является полезным только в том случае, если производится калибровка ее надежных интервалов. Мы изучаем эти интервалы и обнаруживаем, что их охват ухудшается как в простых синтетических условиях, так и на стандартных контрольных показателях. Например, на ACIC 2016 года 95% интервалов между температурой и CausalPFN опускаются ниже номинального охвата за пределы групп по 30 из 4802 единиц, а промежутки времени для среднего значения полного выборки содержат истинное значение только в 20% наборов данных. Мы отслеживаем эту проблему с учетом того, как эти модели обучаются и каким образом формируются их интервалы. Они выпускают прогнозное распределение по одной единице за один раз и, в конце концов, объединяют разницу между единицами как если бы ошибки на различных единицах были независимыми. Мы официально показываем, что задняя неопределенность в отношении…
Агрегирование на уровне единиц приводит к разрыву охвата в моделях причинно-следственных связей
arXiv: 261 020.22770v1 Вид уведомления: новое резюме: модели каузальных основ (КФМ) дают многообещающие результаты для оценки воздействия лечения, причем оценки на уровне единиц являются конкурентными по стандартным контрольным показателям. Вместе с тем многие причинно-следственные анализы позволяют принимать решения на основе эффекта, усредненного по группам единиц, таким как полная выборка, обработанные единицы или подгруппа, и для таких решений СФМ является полезным только в том случае, если производится калибровка ее надежных интервалов. Мы изучаем эти интервалы и обнаруживаем, что их охват ухудшается как в простых синтетических условиях, так и на стандартных контрольных показателях. Например, на ACIC 2016 года 95% интервалов между температурой и CausalPFN опускаются ниже номинального охвата за пределы групп по 30 из 4802 единиц, а промежутки времени для среднего значения полного выборки содержат истинное значение только в 20% наборов данных. Мы отслеживаем эту проблему с учетом того, как эти модели обучаются и каким образом формируются их интервалы. Они дают прогнозное распределение для одной единицы за раз и в момент вывода комбинируют Un