基于因果性的检验以检测混杂因素对移动健康诊断应用的影响：与受限置换的比较

机器学习实践常受混杂因素影响。在参与者自我选择进入研究的远程数字健康研究中，混杂可能尤为严重。尽管文献中提出了许多不同的混杂调整方法，但大多数依赖建模假设，且不清楚它们对这些假设的违背有多稳健。这一认识最近促使了受限置换方法的发展，以量化观测混杂因素对机器学习模型预测性能的影响，并评估混杂调整方法是否如预期般工作。在本文中，我们表明受限置换会对混杂因素对学习者预测性能贡献的估计产生偏倚，并提出了解决此问题的替代方法。通过从因果视角看待分类任务，我们能够利用预测值与测试集标签及混杂因素之间的条件独立性检验，以检测分类器预测性能上的混杂。我们展示了我们的基于因果性的方法在帕金森病 mHealth 研究收集数据上的应用。