리서치 연구
When Prediction Error Is Not Enough: Evaluating Nuisance-Function Prediction for Causal Estimation
ARarXiv
인과 추론 과정에서 사용되는 다양한 머신러닝 모델들의 성능을 평가하기 위해 예측 오차(Prediction Error)의 신뢰도를 검증했습니다.
세 줄 요약
- 연구 결과, XGBoost가 낮은 RMSE를 보였고 DML-XGBoost가 우수한 신뢰구간 커버리지를 제공했으나, 예측 오차가 인과적 편향을 일관되게 추적하지 못하는 것으로 나타났습니다.
- 복잡한 모델링 환경에서 단일 성능 지표(예: 예측 오차)에만 의존하여 최적의 방법을 선택할 경우 잘못된 결론에 도달할 수 있어 주의가 필요합니다.
- 결론적으로, 예측 오차는 개별적인 '노이즈 함수 추정'을 평가하는 데 유용하지만, 최종 인과 추정기의 품질을 판단하는 직접적인 지표로 사용해서는 안 됩니다.
인과 추론 과정에서 사용되는 다양한 머신러닝 모델들의 성능을 평가하기 위해 예측 오차(Prediction Error)의 신뢰도를 검증했습니다.