📊 statistics

Retrospective Counterfactual Prediction by Conditioning on the Factual Outcome: A Cross-World Approach

Diese Arbeit stellt einen cross-world-Ansatz vor, der durch die Nutzung von Korrelationen zwischen potenziellen Ergebnissen unter verschiedenen Behandlungen retrospektive kontrafaktische Vorhersagen und gültige Konfidenzintervalle für beobachtete Individuen ermöglicht, wo solche Schätzungen sonst nicht identifizierbar wären.

Ursprüngliche Autoren: Juraj Bodik

Veröffentlicht 2026-03-31

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Juraj Bodik

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Titel: Was wäre gewesen, wenn? – Eine neue Methode, um die Vergangenheit besser zu verstehen

Stellen Sie sich vor, Sie sind ein Arzt. Ein Patient, nennen wir ihn Alex, kommt zu Ihnen. Er hat bestimmte Merkmale (Alter, Gewicht, Genetik) und hat keine Behandlung erhalten. Leider geht es ihm danach nicht gut.

Jetzt stellt sich die große, schmerzhafte Frage: „Was wäre mit Alex passiert, wenn er die Behandlung bekommen hätte?"

In der Wissenschaft nennt man das eine Gegenfaktische Vorhersage (Counterfactual Prediction). Das Problem ist: Wir können die Zeit nicht zurückdrehen. Wir sehen nur, was wirklich passiert ist (Alex ohne Behandlung). Die Welt, in der Alex die Behandlung bekam, existiert nur in unserer Vorstellung. Bisherige Methoden versuchten, diese Welt zu erraten, indem sie nur auf die allgemeinen Merkmale von Alex schauten. Sie sagten im Grunde: „Menschen mit Alex' Merkmalen bekommen bei Behandlung meist X."

Aber das ignoriert eine wichtige Information: Wie es Alex tatsächlich ergangen ist.

Das Problem: Die unsichtbare Verbindung

Stellen Sie sich vor, Alex hat einen sehr starken, gesunden Körper (das ist seine „wahre Natur", die wir nicht direkt sehen können).

Szenario A (Wirklichkeit): Er bekommt keine Behandlung. Sein starker Körper hält ihn trotzdem am Leben.
Szenario B (Gegenfaktisch): Er bekommt die Behandlung. Sein starker Körper plus die Behandlung machen ihn noch gesünder.

Frühere Methoden haben oft angenommen, dass diese beiden Szenarien völlig unabhängig voneinander sind. Das ist wie zu glauben, dass ein Würfelwurf heute nichts mit dem von gestern zu tun hat. Aber bei Menschen ist das anders: Wenn Alex heute gesund ist, ist er morgen wahrscheinlich auch gesund, egal ob er eine Pille nimmt oder nicht. Es gibt eine unsichtbare Verbindung zwischen dem, was passiert ist, und dem, was passieren würde.

Die Autoren dieses Papers nennen diese Verbindung Korrelation zwischen den Welten (Cross-World Correlation).

Die Lösung: Die „Welt-Verbindung" nutzen

Der Autor, Juraj Bodik, schlägt eine neue Methode vor, die diese unsichtbare Verbindung nutzt. Er sagt: „Lass uns nicht nur auf die Merkmale schauen, sondern auch auf das Ergebnis, das wir bereits kennen."

Hier ist die Analogie:
Stellen Sie sich vor, Sie versuchen vorherzusagen, wie schnell ein Rennwagen auf einer neuen Strecke fährt.

Die alte Methode: Sie schauen nur auf die Daten des Fahrers und die Technik des Wagens. Sie sagen: „Mit diesem Fahrer und Wagen schafft man im Durchschnitt 100 km/h."
Die neue Methode (RCP): Sie schauen sich an, wie schnell der Fahrer auf einer ähnlichen Strecke war, die er schon gefahren ist. Wenn er dort 120 km/h geschafft hat, wissen Sie: „Ah, er ist ein schneller Fahrer! Wenn er auf der neuen Strecke fährt, wird er wahrscheinlich auch schnell sein, vielleicht sogar schneller als der Durchschnitt."

Die neue Methode kombiniert also:

Was wir über die Behandlung wissen (durch Daten von anderen).
Was wir über den Patienten wissen (seine aktuelle Situation).
Den entscheidenden Faktor: Wie stark diese beiden Dinge zusammenhängen.

Der „Geheimparameter" (rho)

Das Schwierige ist: Wir wissen nicht genau, wie stark diese Verbindung ist.

Wenn die Verbindung null ist (0), dann sagt uns Alex' aktueller Zustand nichts über die Behandlung aus. Die alte Methode war also okay.
Wenn die Verbindung sehr stark ist (nahe 1), dann bedeutet das: Alex' Gesundheit ist so dominant, dass die Behandlung kaum einen Unterschied macht.
In der Realität liegt die Verbindung meist irgendwo dazwischen (z. B. 0,5).

Die neue Methode erlaubt es den Anwendern, diesen Wert als Sensitivitäts-Parameter zu wählen. Man kann sagen: „Ich bin mir nicht sicher, aber ich denke, die Verbindung ist eher stark." Oder: „Ich denke, sie ist schwach." Die Methode passt die Vorhersage automatisch an diese Annahme an.

Warum ist das besser?

Präzisere Vorhersagen: Wenn wir wissen, dass Alex heute gesund ist, können wir viel sicherer vorhersagen, dass er auch mit Behandlung gesund wäre. Das macht die Vorhersage schmaler und genauer.
Bessere Unsicherheits-Schätzung: Die Methode gibt nicht nur eine Zahl, sondern ein Sicherheitsintervall (eine Spanne). Sie sagt: „Mit 90% Wahrscheinlichkeit wird Alex mit Behandlung zwischen X und Y liegen." Und dank der neuen Methode ist diese Spanne oft enger und realistischer als bei alten Methoden.
Flexibilität: Die Methode funktioniert auch dann gut, wenn man den genauen Wert der Verbindung nicht kennt, solange man einen plausiblen Bereich annimmt.

Zusammenfassung in einem Satz

Statt blind zu raten, was in einer alternativen Realität passiert wäre, nutzt diese neue Methode die Tatsache, dass unsere heutige Realität (was gerade passiert ist) uns wertvolle Hinweise darauf gibt, was in der „Was-wäre-wenn"-Welt passiert wäre – vorausgesetzt, wir verstehen, wie stark diese beiden Welten miteinander verwoben sind.

Es ist wie ein Detektiv, der nicht nur die Spuren am Tatort betrachtet, sondern auch weiß, wie der Verdächtige normalerweise reagiert, um zu rekonstruieren, was hätte passieren können.

1. Problemstellung

Das Paper adressiert das Problem der retrospektiven kontrafaktischen Vorhersage im Rahmen des Neyman-Rubin-Potential-Outcomes-Rahmens.

Ziel: Schätzung des erwarteten kontrafaktischen Ergebnisses $E[Y(1) \mid X=x, Y(0)=y]$ für ein Individuum mit Kovariaten $x$ und einem beobachteten faktischen Ergebnis $y$ (wobei $T=0$ ).
Herausforderung: In der Regel wird nur ein Potential-Outcome beobachtet ( $Y(0)$ oder $Y(1)$ ), nie beide gleichzeitig. Daher ist die gemeinsame Verteilung $(Y(0), Y(1))$ ohne zusätzliche Annahmen nicht identifizierbar.
Limitation bestehender Methoden: Die meisten aktuellen Ansätze (z. B. CATE-Schätzer, Matching, direkte Outcome-Modellierung) konditionieren nur auf die Kovariaten $X$ und ignorieren das beobachtete faktische Ergebnis $Y(0)$ . Dies führt dazu, dass individuelle Informationen, die in $Y(0)$ enthalten sind, nicht für die Vorhersage von $Y(1)$ genutzt werden. Zudem fehlt oft eine valide Unsicherheitsquantifizierung (Vorhersageintervalle) auf individueller Ebene.

2. Methodik: Der Cross-World-Ansatz

Der Kern der vorgeschlagenen Methode (RCP(ρ)) liegt in der expliziten Modellierung der Abhängigkeit zwischen den beiden Potential-Outcomes.

A. Cross-World-Korrelation ( $\rho$ )

Die Autoren führen den Parameter $\rho(x)$ als Kreswelt-Korrelation (Cross-World Correlation) ein:
$\rho(x) = \text{cor}(Y(1), Y(0) \mid X=x)$
Da $\rho(x)$ aus den Daten nicht identifizierbar ist, wird er als Sensitivitätsparameter behandelt. Der Ansatz basiert auf der Annahme, dass latente Faktoren (z. B. genetische Veranlagung), die nicht in $X$ enthalten sind, sowohl $Y(0)$ als auch $Y(1)$ beeinflussen, was zu einer positiven Korrelation führt ( $\rho > 0$ ).

B. Der RCP(ρ)-Schätzer

Unter der Annahme einer spezifischen Abhängigkeitsstruktur (z. B. Gaußsche Copula parametrisiert durch $\rho$ ) leiten die Autoren folgende Schätzer ab:

Punktschätzer ( $\hat{\mu}_\rho(x, y)$ ):
Der Schätzer kombiniert die basale Vorhersage für die Behandlungsgruppe $\hat{\mu}_1(x)$ mit einer Korrektur basierend auf dem Residuum des faktischen Outcomes $(y - \hat{\mu}_0(x))$ :
$\hat{\mu}_\rho(x, y) = \hat{\mu}_1(x) + \rho \cdot \lambda(x) \cdot (y - \hat{\mu}_0(x))$
Dabei ist $\lambda(x)$ ein Skalierungsfaktor, der die relativen Varianzen der beiden Gruppen berücksichtigt.
- Fall $\rho = 0$ : Ignoriert $Y(0)$ (reduziert sich auf Standardregression).
- Fall $\rho = 1$ : Nimmt einen konstanten Behandlungseffekt an ( $\hat{Y}(1) = y + \hat{\tau}(x)$ ).
Vorhersageintervalle ( $C_\rho(x, y)$ ):
Die Intervalle werden so konstruiert, dass sie asymptotisch die gewünschte Abdeckungswahrscheinlichkeit $1-\alpha$ unter der Bedingung $X=x, Y(0)=y$ garantieren. Die Breite des Intervalls wird durch den Faktor $\sqrt{1-\rho^2}$ skaliert, was die Varianzreduktion durch die Konditionierung auf $Y(0)$ widerspiegelt.
Bias-Korrektur ( $C^{+CI}_\rho$ ):
Um die Unsicherheit der Schätzung der Parameter $\hat{\mu}$ und $\hat{\tau}$ in endlichen Stichproben zu berücksichtigen, wird eine bias-korrigierte Variante eingeführt, die Konfidenzintervalle für die Mittelwerte integriert (mittels Bootstrapping).

3. Wichtige Beiträge

Formalisierung der Nutzung faktischer Outcomes: Das Paper ist die erste systematische Behandlung der Schätzung von $E[Y(1) \mid X, Y(0)]$ unter expliziter Nutzung der Cross-World-Abhängigkeit.
Identifizierbarkeit und Nicht-Identifizierbarkeit: Es wird gezeigt (Lemma 2), dass ohne Annahmen über $\rho(x)$ die kontrafaktische Vorhersage nicht identifizierbar ist. Verschiedene Abhängigkeitsstrukturen können dieselben beobachteten Daten erzeugen, aber zu unterschiedlichen kontrafaktischen Vorhersagen führen.
Konsistenz und Optimalität: Unter der Annahme einer korrekten Spezifikation von $\rho(x)$ und einer Gaußschen Struktur werden Konsistenz des Punktschätzers und asymptotische Optimalität der Vorhersageintervalle bewiesen (Theorem 4). Die Intervalle sind asymptotisch die kleinstmöglichen Mengen mit der geforderten Abdeckung.
Interpolation zwischen Extremen: Die Methode bietet einen kontinuierlichen Übergang zwischen dem Ignorieren des faktischen Outcomes ( $\rho=0$ ) und der Annahme eines konstanten Effekts ( $\rho=1$ ).

4. Experimentelle Ergebnisse

Die Autoren evaluieren ihre Methode an synthetischen, semi-synthetischen (IHDP) und realen Datensätzen (Twins).

Vergleich: RCP(ρ) wird mit vier Baselines verglichen:
1. Direkte Outcome-Modellierung (DO).
2. CATE-adjustierte Imputation (T-Learner).
3. Matching-basierte Imputation.
4. Adversarielle Generative Modelle (GANITE).
Leistung (MSE):
- RCP(ρ) übertrifft alle Baselines signifikant, sobald $0 < \rho < 1$ .
- Der Mean Squared Error (MSE) sinkt monoton mit steigendem $\rho$ , da $Y(0)$ informativer für $Y(1)$ wird.
- Bei $\rho=0$ entspricht die Leistung der DO-Methode.
Robustheit:
- Selbst bei Fehlspezifikation von $\rho$ (z. B. Schätzung von $\rho$ statt wahren Wert) liefert die Methode bessere Ergebnisse als Methoden, die implizit $\rho=0$ oder $\rho=1$ annehmen.
- Die Methode ist robust gegenüber Abweichungen von der Normalverteilung (nicht-Gaußsche Copulas), wobei die Konvergenzrate in endlichen Stichproben bei starker Abhängigkeit leicht langsamer ist.
Unsicherheitsquantifizierung: Die Vorhersageintervalle von RCP(ρ) zeigen eine deutlich bessere Abdeckung und schmalere Intervalle (bessere Interval Scores) im Vergleich zu Baselines, insbesondere wenn die Varianzreduktion durch $\rho$ genutzt wird.

5. Bedeutung und Fazit

Das Paper stellt einen Paradigmenwechsel in der retrospektiven kontrafaktischen Inferenz dar:

Praktische Relevanz: In hochriskanten Bereichen wie Medizin oder Recht ist die individuelle Vorhersage entscheidend. Die Nutzung des faktischen Outcomes $Y(0)$ zusammen mit einer plausiblen Annahme über $\rho$ liefert präzisere und zuverlässigere Vorhersagen als reine Kovariaten-basierte Modelle.
Transparenz: Anstatt implizite Annahmen über die Unabhängigkeit der Outcomes zu treffen (wie es viele Matching-Methoden tun), macht RCP(ρ) die Abhängigkeitsannahme explizit. Dies ermöglicht eine Sensitivitätsanalyse: Praktiker können den Bereich plausibler $\rho$ -Werte angeben und beobachten, wie sich die Schlussfolgerungen ändern.
Zukunftsausblick: Die größte praktische Hürde bleibt die Schätzung oder plausible Festlegung von $\rho(x)$ ohne zusätzliche Hilfsdaten. Zukünftige Forschung sollte sich auf die Entwicklung von Werkzeugen zur Diagnose und Schätzung dieser Cross-World-Parameter konzentrieren.

Zusammenfassend demonstriert das Paper, dass die explizite Modellierung der „Cross-World"-Korrelation nicht nur theoretisch fundiert ist, sondern auch in der Praxis zu erheblichen Verbesserungen in Genauigkeit und Unsicherheitsquantifizierung führt.