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。
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：摘要核心涉及未观测混杂、选择性标签、工具变量及预测表现的识别界。
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
- 当结果只对历史决策选中的个体可见，且选择受未观测混杂影响时，如何可靠设计和评估预测算法及不同群体的公平性？
- 方法与思路
- 作者限制相同可观测特征下被选与未选个体的结果差异，构建兼容代理结果、工具变量及多种预测表现指标的界与估计框架。
- 材料陈述的贡献
- 摘要称，框架适用于不同界定策略和表现指标；澳大利亚金融机构数据表明，混杂假设会显著影响信用风险预测及收入组公平性评估。
- 阅读关注点
- 应核对结果差异界的实质含义、代理结果与工具变量如何约束这些界，以及算法设计、表现估计和公平性比较如何反映识别不确定性。
- 阅读边界
- 摘要未说明具体混杂限制、界的紧致性或推断程序；应用显示结果依赖假设，不能据此确认某个算法在其他环境中更准确或更公平。
原文摘要
Abstract 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 squared 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.