因果推断中异质性效应的调和

在这篇立场与问题阐述论文中，我们为因果推断中的参考类别问题提供了一种解决方案。我们应用机器学习中用于模型多重性的Reconcile算法来调和因果推断中的异质性效应。异质性效应的条件平均处理效应(CATE)估计量之间的差异构成了参考类别问题，即个体预测的估计值因参考类别的选择而异。通过采用从个体到群体的概率解释框架，我们可以认识到，参考类别问题——出现在科学哲学和因果推断等多个领域——等同于计算机科学中的模型多重性问题。然后，我们应用Reconcile算法来调和CATE估计量之间个体概率估计的差异。由于参考类别问题在使用基于群体的证据进行个体概率预测的背景下显现，我们的结果对于确保医疗、保险和住房等高风险领域（尤其是边缘化社区）的公平结果具有切实的意义。通过强调减轻预测建模中差异的重要性，我们的工作邀请进一步探索将技术严谨性与对社会影响的敏锐意识相结合的跨学科策略。最终，我们的发现倡导一种整体性的算法公平方法，强调了深思熟虑、全面的解决方案在实现更广泛的公平与可及性目标中的关键作用。