Robust Design and Evaluation of Predictive Algorithms under Unobserved Confounding
未观测混杂下预测算法的稳健设计与评估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：摘要核心是选择性标签和未观测混杂下的识别界限，并使用工具变量等策略；信用应用不足以归入尾部或系统性风险。
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…
未观测混杂下预测算法的稳健设计与评估
- 研究问题
- 当结果仅对过去决策选中的单位可见，且选择存在未观测混杂时，如何设计和评估预测算法并考察群体间公平性？
- 方法与思路
- 作者约束相同观测特征下被选与未选单位的结果差异，将代理结果和工具变量等策略纳入统一界限与估计框架。
- 材料陈述的贡献
- 摘要提出适用于多种界限策略和性能指标的估计方法，并在澳大利亚金融机构数据中展示混杂假设对信用预测与公平评价的影响。
- 阅读关注点
- 应核对结果差异界限的含义与依据、代理结果和工具变量对应的条件，以及各性能指标与收入组公平评价如何识别。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明界限的具体形式或实证数值，预测与公平结论仍依赖混杂假设。
原文摘要
Predictive algorithms inform consequential decisions in settings with selective labels: outcomes are observed only for units selected by past decision makers. This creates an identification problem under unobserved confounding -- when selected and unselected units differ in unobserved ways that affect outcomes. We propose a framework for robust design and evaluation of predictive algorithms that bounds how much outcomes may differ between selected and unselected units with the same observed characteristics. These bounds formalize common empirical strategies including proxy outcomes and instrumental variables. Our estimators work across bounding strategies and performance measures such as conditional likelihoods, mean square error, and true/false positive rates. Using administrative data from a large Australian financial institution, we show that varying confounding assumptions substantially affects credit risk predictions and fairness evaluations across income groups.