Evaluating and Correcting Performative Effects of Decision Support Systems via Causal Domain Shift
通过因果域迁移评估并校正决策支持系统的施为效应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：摘要以部署干预、基准政策下的结局和跨域因果识别为核心研究对象。
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…
通过因果域迁移评估并校正决策支持系统的施为效应
- 研究问题
- 当预测引导行动并改变随后观测的结局时，如何评估决策支持系统的影响，并重新估计未部署系统这一基准政策下的风险？
- 方法与思路
- 作者将系统部署建模为因果域迁移，提出条件期望的跨域识别结果，并用重复回归程序估计相关量，讨论样本选择与选择性标注。
- 材料陈述的贡献
- 摘要称所提结果支持部署前后评估及基准风险模型的再训练；示例展示重复回归对多种目标变量偏差提供统一处理的可能性。
- 阅读关注点
- 应核对部署前后因果结构、跨域识别需要哪些信息，以及重复回归如何处理样本选择和选择性标注，并明确基准政策的定义。
- 阅读边界
- 这是 arXiv 预印本，未核实同行评审或期刊接收。摘要未说明识别条件与示例细节，不能认为任意反馈或选择机制都可校正。
原文摘要
When predicting a target variable $Y$ from features $X$, the prediction $\hat{Y}$ can be performative: an agent might act on this prediction, affecting the value of $Y$ that we eventually observe. Performative predictions are deliberately prevalent in algorithmic decision support, where a Decision Support System (DSS) provides a prediction for an agent to affect the value of the target variable. When deploying a DSS in high-stakes settings (e.g. healthcare, law, predictive policing, or child welfare screening) it is imperative to carefully assess the performative effects of the DSS. In the case that the DSS serves as an alarm for a predicted negative outcome, naive retraining of the prediction model is bound to result in a model that underestimates the risk, due to effective workings of the previous model. In this work, we propose to model the deployment of a DSS as causal domain shift and provide novel cross-domain identification results for the conditional expectation $E[Y | X]$, allowing for pre- and post-hoc assessment of the deployment of the DSS, and for retraining of a model that assesses the risk under a baseline policy where the DSS is not deployed. Using a running example, we empirically show that a repeated regression procedure provides a practical framework for estimating these quantities, even when the data is affected by sample selection bias and selective labelling, offering for a practical, unified solution for multiple forms of target variable bias.