پژوهش: بهبود پیش‌بینی ممکن است دقت پاسخ مدل به مداخله را کاهش دهد

پژوهشگران در پیش‌چاپی با عنوان «دستاوردهای پیش‌بینی، زیان‌های علّی» بررسی کرده‌اند که چرا داده‌های مشاهده‌ای به‌تنهایی برای یادگیری توانایی مداخله‌ای کافی نیستند. طبق چکیده، در پیش‌بین‌های قطعی با گشتاور دوم محدود و تابع خطای مربعی، هر مزیت مشاهده‌ای نسبت به بهترین پیش‌بینی‌گری که فقط از علت‌های مستقیم پیامد استفاده می‌کند، مستلزم وابستگی مدل به ورودی‌های دیگر است؛ این نتیجه به روش یادگیری وابسته نیست.

اگر مداخله‌های مجاز ورودی‌ها را تغییر دهند، اما پیامد واقعی را ثابت نگه دارند، چنین وابستگی‌ای حدی مثبت برای خطای ریشهٔ میانگین مربعات مدل در پاسخ به مداخله ایجاد می‌کند. نویسندگان همچنین شرایطی را مشخص کرده‌اند که در آن به‌روزرسانی‌های گرادیانی در سطح جمعیت می‌توانند این وابستگی را از نقطهٔ شروعی مبتنی بر علت‌های مستقیم ایجاد کنند یا، به‌واسطهٔ پارامترهای مشترک، سازوکار درست قبلی را مختل کنند؛ حتی وقتی پیش‌بینی‌های دیگر بهتر می‌شوند.

این مقاله نسخهٔ پیش‌چاپی است که در arXiv منتشر شده است.