Linking a predictive model to causal effect estimation

要約

タイトル：予測モデルと因果効果推定のリンク

要約：
– 予測モデルは、ある機能ベクトルが与えられた時、結果の予測を行います。
– ただし一般的な予測モデルは、因果関係がある機能要素が結果に与える影響を正確に推定することはできません。これは、因果効果推定には介入確率が必要であるためであり、特定の条件下では予測モデルが因果的に解釈可能であることを示しました。
– この論文では、任意の機能において与えられた事例に対する因果効果を推定する問題に対処します。
– この論文で特定された条件を満たす様々な種類の予測モデルを使用すると、最新の因果効果推定方法と同等の正確さで、機能要素の因果効果を推定できることを実証しました。
– 本論文で示された因果的に解釈可能な予測モデルは、ロバストな予測や個人化された意思決定に大きな可能性を持っています。

要約(オリジナル)

A predictive model makes outcome predictions based on some given features, i.e., it estimates the conditional probability of the outcome given a feature vector. In general, a predictive model cannot estimate the causal effect of a feature on the outcome, i.e., how the outcome will change if the feature is changed while keeping the values of other features unchanged. This is because causal effect estimation requires interventional probabilities. However, many real world problems such as personalised decision making, recommendation, and fairness computing, need to know the causal effect of any feature on the outcome for a given instance. This is different from the traditional causal effect estimation problem with a fixed treatment variable. This paper first tackles the challenge of estimating the causal effect of any feature (as the treatment) on the outcome w.r.t. a given instance. The theoretical results naturally link a predictive model to causal effect estimations and imply that a predictive model is causally interpretable when the conditions identified in the paper are satisfied. The paper also reveals the robust property of a causally interpretable model. We use experiments to demonstrate that various types of predictive models, when satisfying the conditions identified in this paper, can estimate the causal effects of features as accurately as state-of-the-art causal effect estimation methods. We also show the potential of such causally interpretable predictive models for robust predictions and personalised decision making.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI