策略性工具变量回归：从策略性响应中恢复因果关系

在机器学习（ML）算法自动化或影响关于个人的重大决策的场景中，决策对象常有动机策略性地修改其可观测属性以获得更有利的预测。结果，评估规则所训练的分布可能与其部署时所作用的分布不同。虽然此类分布偏移通常会阻碍准确预测，我们的工作识别了与策略性响应引起的偏移相关的一个独特机会：我们表明，即使在存在未观测混杂变量的情况下，也能有效利用策略性响应来恢复可观测特征与我们欲预测结果之间的因果关系。具体而言，我们的工作通过建立策略性响应于 ML 模型与工具变量（IV）回归之间的新颖联系来实现这一点，即观察到所部署模型序列可视为一种工具变量，它影响个体的可观测特征但不直接影响其结果。我们展示了我们的因果恢复方法可用于在几个重要准则上改进决策：个体公平性、个体结果和预测风险。特别地，我们表明若决策对象在修改非因果属性能力上不同，任何偏离因果系数的决策规则都可能导致（潜在无界的）个体层面不公平。