Prediction decomposition for causal analysis
Diese Arbeit stellt ein theoretisches Rahmenwerk vor, das ML-Vorhersagen für die Kausalanalyse in Komponenten zerlegt und nachweist, dass die Vorhersagegenauigkeit innerhalb von Einheiten über die Zeit ein besseres Kriterium für die Auswahl geeigneter Modelle zur Schätzung kausaler Behandlungseffekte ist als die allgemeine Vorhersagegenauigkeit.