When Prediction Error Is Not Enough: Evaluating Nuisance-Function Prediction for Causal Estimation
预测误差为何不足以评价因果估计中的辅助函数预测AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接研究部分线性模型中辅助函数预测与因果效应估计表现的关系，因此归入因果推断。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
预测误差为何不足以评价因果估计中的辅助函数预测
- 研究问题
- 辅助函数预测误差能否反映最终因果估计的偏差、均方根误差与区间覆盖率，以及这些评价指标是否会给出不同结论？
- 方法与思路
- 作者在部分线性模型中开展蒙特卡洛模拟，比较 OLS、GAM、XGBoost 与 DML，并考察两个辅助函数误差的交叉乘积。
- 材料陈述的贡献
- 摘要称，预测误差不能稳定对应因果偏差，点估计表现与区间覆盖也可能分离；所考察的联合误差指标不足以单独评价因果性能。
- 阅读关注点
- 应核对模拟的数据生成机制、辅助函数与因果估计器的对应关系，以及不同方法的区间构造和是否采用交叉拟合。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收状态未核实；摘要未提供完整模拟条件，不能将所观察的方法表现推广至所有因果问题。
原文摘要
Prediction error is widely used to evaluate nuisance-function estimators in causal inference, but its relationship with causal estimator performance may differ across performance measures. We studied this question in a partially linear model using Monte Carlo simulations. We compared ordinary least squares (OLS), generalized additive models (GAMs), XGBoost, and Double Machine Learning with XGBoost (DML-XGBoost), evaluating nuisance-function prediction error, bias, RMSE, and 95\% confidence interval coverage. We also examined a simple joint-error measure based on the absolute cross-product of estimation errors from the exposure and outcome nuisance functions. Across the simulated settings, XGBoost had the lowest RMSE among the non-oracle methods, while DML-XGBoost generally provided better confidence interval coverage. Prediction error did not consistently track causal bias across methods and settings, and the method with the best point-estimation performance did not necessarily have the best confidence interval coverage. The joint-error measure was only weakly associated with causal bias and did not provide a useful standalone measure of causal performance. These results suggest that prediction error is useful for assessing nuisance-function estimation, but it should not be treated as a direct measure of the quality of the resulting causal estimator.