评估机器学习预测的敏感性：一种新工具箱及其在金融素养中的应用
计量经济学
2021-02-09 v1
摘要
尽管机器学习预测广受欢迎，其对潜在未观测预测变量的敏感性不容忽视。本文提出一种通用算法，用于评估具有高解释力的未观测变量的遗漏如何影响模型的预测。此外，该算法将机器学习的使用从点预测扩展至推断与敏感性分析。在应用中，我们展示了该框架如何应用于具有内在不确定性的数据，例如标准化金融素养评估中学生的分数。首先，利用贝叶斯加性回归树（BART），我们为一组成缺失 FLS 的学生预测其金融素养分数（FLS）。随后，我们通过比较包含与不包含高解释力合成预测变量的模型的预测与表现来评估预测的敏感性。我们发现增强模型（即含合成预测变量的模型）与原模型在预测与表现上无显著差异。该证据揭示了应用中所用预测模型的稳定性。所提出的方法论，除我们启发性实证例子外，还可广泛用于社会科学与健康科学中的各类机器学习应用。
引用
@article{arxiv.2102.04382,
title = {Assessing Sensitivity of Machine Learning Predictions.A Novel Toolbox with an Application to Financial Literacy},
author = {Falco J. Bargagli Stoffi and Kenneth De Beckker and Joana E. Maldonado and Kristof De Witte},
journal= {arXiv preprint arXiv:2102.04382},
year = {2021}
}