Assessing Sensitivity of Machine Learning Predictions.A Novel Toolbox with an Application to Financial Literacy
机器学习预测敏感性评估：金融素养应用的新工具箱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：摘要研究通用预测敏感性与金融素养成绩，未涉及资产收益预测等给定细分。
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…
机器学习预测敏感性评估：金融素养应用的新工具箱
- 研究问题
- 若遗漏具有较强解释力的未观测预测变量，机器学习预测会发生多大变化，如何在金融素养成绩缺失的情形中评估这种敏感性？
- 方法与思路
- 作者提出敏感性分析算法，用 BART 预测缺失的金融素养成绩，再加入高解释力的合成预测变量，比较扩展模型与原模型的结果。
- 材料陈述的贡献
- 摘要称，该算法将机器学习预测扩展到推断和敏感性分析；应用中加入合成变量后预测及性能未显著变化，支持该设定下的稳定性。
- 阅读关注点
- 应核对合成变量的生成方式及解释力设定、缺失成绩的处理假设、比较所用指标，以及所考察扰动能代表哪些未观测变量。
- 阅读边界
- 所给版本为 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未说明检验细节，所述稳定性不能推广到所有遗漏变量。
原文摘要
Despite their popularity, machine learning predictions are sensitive to potential unobserved predictors. This paper proposes a general algorithm that assesses how the omission of an unobserved variable with high explanatory power could affect the predictions of the model. Moreover, the algorithm extends the usage of machine learning from pointwise predictions to inference and sensitivity analysis. In the application, we show how the framework can be applied to data with inherent uncertainty, such as students' scores in a standardized assessment on financial literacy. First, using Bayesian Additive Regression Trees (BART), we predict students' financial literacy scores (FLS) for a subgroup of students with missing FLS. Then, we assess the sensitivity of predictions by comparing the predictions and performance of models with and without a highly explanatory synthetic predictor. We find no significant difference in the predictions and performances of the augmented (i.e., the model with the synthetic predictor) and original model. This evidence sheds a light on the stability of the predictive model used in the application. The proposed methodology can be used, above and beyond our motivating empirical example, in a wide range of machine learning applications in social and health sciences.