结果测量误差下的反事实预测

在医学、就业和刑事司法等领域，预测模型所针对的标签往往不能完美反映专家和政策制定者关注的结果。例如，用于辅助医生决策的临床风险评估通常预测医疗利用指标（如费用、住院）作为患者医疗需求的替代变量。当这些代理变量与其旨在度量的目标结果存在系统性偏差时，便会产生结果测量误差。然而，先前刻画和缓解结果测量误差的建模工作忽略了一个事实：由模型辅助的决策通常作为一种风险缓解干预，会影响目标结果及其记录到的代理变量。因此，在这些场景下，解决测量误差需要对干预对结果的处理效应进行反事实建模。本文研究了由结果测量误差、处理效应以及历史决策策略带来的选择偏差所共同引发的对模型可靠性的交叉威胁。我们提出了一种无偏风险最小化方法，在已知代理测量误差特性的前提下，修正这些挑战的联合影响。我们还提出了一种在参数未知时估计依赖于处理效应的测量误差参数的方法。我们通过理论分析以及基于医疗和就业领域随机对照试验真实数据的实验证明了方法的效用。同样重要的是，我们表明仅修正结果测量误差或仅修正处理效应的模型存在显著的可靠性局限。我们的工作强调了在决策支持预测模型的设计与评估中考虑对模型有效性的交叉威胁的重要性。