📈 economics

Local conformal prediction for individual causal effects

Dit artikel stelt een Individualized Causal Prediction (ICP) raamwerk voor dat eindsteekproef-valide conformistische voorspellingsintervallen construeert voor individuele causale effecten door kalibratie te lokaliseren via Causal Forest-gewogen cosinusgelijkenis en het gebruik van dubbel robuuste AIPW-scores, waardoor zowel nominale dekking als verbeterde puntaccuratesse wordt bereikt in situaties met hoge heterogeniteit waar standaard schatters falen.

Oorspronkelijke auteurs: Fernando Delbianco, Fernando Tohmé

Gepubliceerd 2026-08-11

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Fernando Delbianco, Fernando Tohmé

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een arts bent die probeert te voorspellen hoe een specifieke patiënt zal reageren op een nieuw medicijn. In de wereld van de statistiek is er een veelvoorkomend hulpmiddel genaamd het "Conditional Average Treatment Effect" (CATE). Beschouw dit als een weersvoorspelling voor een hele stad: het vertelt je de gemiddelde temperatuur voor iedereen in de buurt. Als het weer meestal mild is, is dat gemiddelde een goede gok voor elke willekeurige persoon. Maar wat als de buurt een chaotische mix van mensen is? Sommigen zijn aan het rillen in een sneeuwstorm, anderen zweten in een hittegolf, en de "gemiddelde" temperatuur is een comfortabele 21 graden. Dat gemiddelde is nutteloos voor de persoon die bevriest of staat te verbranden. Dit is het probleem van "heterogeniteit": wanneer individuele reacties wild variëren, vertelt het gemiddelde niet langer de waarheid over een enkel individu.

Om dit op te lossen, gebruiken wetenschappers "Conformal Prediction". Stel je voor dat je probeert het gewicht van een mysterieuze doos te raden. In plaats van alleen maar een getal te gokken, verzamel je een groep vergelijkbare dozen die je al hebt gewogen. Je kijkt naar hoeveel je gok afweek bij die bekende dozen, en je bouwt een vangnet (een bereik) rond je gok dat breed genoeg is om het werkelijke gewicht van de mysterieuze doos in 95% van de gevallen te vangen. Deze methode is krachtig omdat ze er niet vanuit gaat dat de gewichten een perfecte klokcurve volgen; ze heeft alleen een groep vergelijkbare voorbeelden nodig. De uitdaging is echter het vinden van de juiste groep voorbeelden. Als je de mysterieuze doos vergelijkt met een groep dozen die allemaal heel anders zijn dan zij, kan je vangnet enorm en nutteloos zijn, of erger nog, het kan het doel volledig missen.

Dit artikel, getiteld "Local Conformal Prediction for Individual Causal Effects", pakt de rommelige realiteit van individuele verschillen aan. De auteurs, Fernando Delbianco en Fernando Tohmé, stellen een nieuw kader voor genaamd "Individualized Causal Prediction" (ICP). Zij betogen dat om te voorspellen wat er met één specifieke persoon zal gebeuren, je niet naar de hele wereld aan data moet kijken. In plaats daarvan moet je alleen kijken naar de piepkleine, specifieke buurt van mensen die causaal vergelijkbaar zijn met die persoon.

De auteurs stellen een slim drie-stappen-recept voor om deze perfecte buurt op te bouwen. Eerst gebruiken ze een slim algoritme (een "Causal Forest") om te achterhalen welke kenmerken er echt toe doen voor de uitkomst, waarbij de ruis wordt genegeerd. Vervolgens zoeken ze de mensen in de dataset die het meest lijken op de doelpersoon op basis van deze belangrijke kenmerken. Omdat deze buurt te klein kan zijn om een betrouwbare voorspelling te doen, gebruiken ze een truc genaamd "synthetische augmentatie". Ze creëren nep, door de computer gegenereerde datapunten die lijken op de echte buren, waardoor ze de gaten effectief opvullen zodat de voorspelling niet gebaseerd is op slechts een handvol mensen. Ten derde passen ze een strikte filter toe om ervoor te zorgen dat deze echte en nep-buren werkelijk vergelijkbaar zijn, waarbij iedereen die aan de oppervlakte weliswaar lijkt, maar een ander onderliggend mechanisme heeft, wordt weggefilterd.

Het artikel test dit idee met behulp van computersimulaties en een bekende dataset over de gezondheid van baby's. De resultaten suggereren dat deze lokale aanpak een winnaar is. In hun simulaties produceerde de nieuwe methode nauwkeurigere punt-schattingen (het beter raden van het exacte effect) en strakkere voorspellingsintervallen (een kleiner, nuttiger vangnet) vergeleken met de oude "globale" methode die naar iedereen keek. Cruciaal is dat de nieuwe methode een succespercentage van 90% behield in het dekken van het werkelijke effect, wat betekent dat het net zo betrouwbaar was als de oude methoden, maar veel nauwkeuriger was. De auteurs laten zien dat door zich te concentreren op de lokale causale omgeving in plaats van het globale gemiddelde, we eindelijk zinvolle antwoorden kunnen geven op de vraag: "Wat gaat er bij mij gebeuren?" in plaats van "Wat gebeurt er gemiddeld?".

Technische Samenvatting: Lokale Conformal Predictie voor Individuele Causale Effecten

Probleemstelling
De standaardliteratuur over causale inferentie heeft zich grotendeels geconvergeerd op het Conditionele Gemiddelde Behandelingseffect (CATE), $\tau(x) = E[Y(1) - Y(0) | X = x]$ , als de primaire estimand. Hoewel asymptotische betrouwbaarheidsintervallen voor CATE (bijv. uit Causal Forests of Double Machine Learning) geldig zijn voor het conditionele gemiddelde, falen zij om het Individuele Causale Effect (ICE), $\tau_q = Y_q(1) - Y_q(0)$ , te dekken wanneer behandelingseffecten "onbegrensde heterogeniteit" vertonen. In dergelijke settings is de conditionele variantie groot, zelfs binnen nauwe covariabele-cellen, wat betekent dat het conditionele gemiddelde het waarschijnlijke effect voor een specif kind individu niet vertegenwoordigt. Bestaande methoden voor conformal predictie voor causale inferentie, zoals de gewogen split-CQR-methode van Lei en Candès (2021), bieden marginale dekking gemiddeld over de covariabeleverdeling, maar kunnen een dekking opleveren die ver onder het nominale niveau ligt voor specifieke query-units vanwege de inclusie van eenheden met uiteenlopende behandelingsverdelingen in de kalibratieset.

Methodologie: Het Individuele Causale Predictie (ICP) Framework
De auteurs stellen het ICP-framework voor om eind-steekproef-valide voorspellingsintervallen te construeren voor de ICE van een specifieke query-unit $q$ . De kerninnovatie is het lokaliseren van de kalibratieset naar een causaal relevante buurt, in plaats van het gebruik van de globale dataset. De methodologie verloopt via vier afzonderlijke stadia:

Kenmerk-gewogen Relevant Set ( $R_q^{(t)}$ ):
Voor een query $q$ en interventie $t$ selecteert de methode observaties uit de dataset die behandeling $t$ ontvingen en dezelfde lokale structurele mechanisme delen. Gelijkenis wordt gemeten via cosine similarity op covariabelen die hergewogen zijn door Causal Forest variabele belangrijkheid ( $\omega_j$ ). Dit zorgt ervoor dat de buurt wordt gedefinieerd door causaal relevante kenmerken in plaats van ruisvariabelen.
Synthetische Augmentatie ( $S_q^{(t)}$ ):
Om het tekort aan observaties in hoogdimensionale lokale buurten aan te pakken (een probleem opgemerkt door Meng, 2018), genereert het framework synthetische controles. Dit houdt in dat er met vervanging wordt getrokken uit $R_q^{(t)}$ en dat er Gaussische perturbaties aan de covariabelen worden toegevoegd. Uitkomstwaarden voor synthetische punten worden geïmputeerd via een lokaal lineair model. Punten met propensity scores buiten de overlap-regio $[0.05, 0.95]$ worden weggefilterd.
Super-Relevantie Filtering ( $R_q^{*(t)}$ ):
Een samengestelde score $\phi_i(q)$ wordt berekend voor alle observaties in $R_q^{(t)} \cup S_q^{(t)}$ om te filteren op structurele homogeniteit. Deze score combineert:
- Shapley-gebaseerde invloedsgewichten: Afgeleid van Causal Forest bladgewichten.
- Propensity-score nabijheid: $1 - |\hat{e}(X_i) - \hat{e}(x_q)|$ .
  Cruciaal is dat deze score alleen afhangt van $(X, T)$ en niet van uitkomsten $Y$ , waardoor de uitwisselbaarheid (exchangeability) behouden blijft. De uiteindelijke kalibratieset behoudt de top 50% van de observaties op basis van deze score.
Conformal Kalibratie met AIPW-scores:
Het framework maakt gebruik van Augmented Inverse Propensity Weighted (AIPW) pseudo-uitkomsten als conformity scores. De non-conformity score wordt gedefinieerd als $V_i = |\hat{\Gamma}_i - \hat{\tau}^{OOB}(X_i)|$ , waarbij $\hat{\Gamma}_i$ de dubbel robuuste AIPW-estimator is. Deze keuze garandeert Neyman orthogonaliteit, wat betekent dat fouten van eerste orde in de schatting van nuisance parameters (uitkomstmodel of propensity score) niet doorwerken naar de schatting van het behandelingseffect. Het voorspellingsinterval wordt geconstrueerd met behulp van het kwantiel van deze scores over de lokale set $R_q^{*(t)}$ .

Belangrijke Theoretische Bijdragen

Eind-steekproef Validiteit: Onder SUTVA, sterke ignorabiliteit en een Selectie Meetbaarheid conditie (Aanname 3), bewijzen de auteurs (Theorem 1) dat het resulterende interval voldoet aan $P(\tau_q \in \hat{C}(\tau_q)) \geq 1 - \alpha$ . De validiteit rust op het feit dat de selectie van de kalibratieset alleen afhangt van covariabelen en behandeling, en niet van uitkomsten, wat de uitwisselbaarheid van de conformity scores waarborgt.
Benaderende Conditionele Dekking: Hoewel de formele garantie marginaal is, betogen de auteurs dat door de kalibratieset te concentreren rond $x_q$ in de causale covariabele-subruimte, de methode benaderende conditionele dekking bereikt, een strikterere garantie dan globale marginale benaderingen.
Modulariteit: Het framework wordt gepresenteerd als een template waarbij de specifieke estimatoren (bijv. Causal Forests) en gelijkenis-metrieken kunnen worden vervangen, mits de selectie uitkomst-onafhankelijk blijft.

Empirische Resultaten
Het framework werd geëvalueerd op twee datasets:

Synthetische Data: Een dataset met $N=800$ en $P=20$ covariabelen, waarbij slechts 3 causaal waren. De ICP-strategieën (met name "Relevant + Synth" en "Super-Relevant + Synth") bereikten een empirische dekking van 96% (hoger dan de nominale doelstelling van 90%) terwijl ze de RMSE en MAE verminderden vergeleken met een globale baseline. Lokale strategieën produceerden ook smallere intervallen (bijv. 12.63 vs. 13.70 voor de globale baseline) zonder de dekking op te offeren.
IHDP Benchmark: Op de Infant Health and Development Program dataset ( $N=747$ ) bereikten alle strategieën een empirische dekking van 100%. De "Relevant + Synth" strategie domineerde op alle nauwkeurigheidsmetrieken (RMSE: 0.399 vs. 0.437 voor globaal; MAE: 0.298 vs. 0.333) en produceerde de smalste gemiddelde intervalbreedte.
LaLonde Dataset: Toegepast op echte observationele data, produceerde de methode brede intervallen (variërend van \ $31k tot \$ 35k), wat de gedocumenteerde heterogeniteit in inkomenseffecten weerspiegelt, hoewel er geen grondwaarheid-vergelijking mogelijk was.

Betekenis en Claims
Het artikel claimt een fundamenteel gat in de causale inferentie aan te pakken: het onvermogen van standaard CATE-estimatoren om valide onzekerheidskwantificering te bieden voor individuele counterfactuele realisaties onder hoge heterogeniteit. De betekenis van het werk ligt in:

Verschuiving van het Paradigma: Het bewegen van het schatten van een conditioneel gemiddelde naar het bieden van een voorspellingsinterval voor de specifieke counterfactuele realisatie van een individu.
Lokale Kalibratie: Aantonen dat het beperken van de kalibratie tot een causaal relevante buurt zowel de puntnauwkeurigheid als de intervalprecisie verbetert ten opzichte van globale methoden.
Omgaan met Datatekort: Laten zien dat synthetische augmentatie de lokale schatting kan stabiliseren zonder de uitwisselbaarheidsaannames te schenden die vereist zijn voor conformal predictie.
Structurele Uitlijning: Het verbinden van conformal predictie met Structurele Causale Modellen (SCM) en Invariant Causal Prediction door te filteren voor eenheden die hetzelfde structurele mechanisme delen, in plaats van enkel ruwe kenmerk-nabijheid.

De auteurs blijven bescheiden over beperkingen en merken op dat de methode sterke ignorabiliteit (geen ongemeten confounding) veronderstelt en dat in zeer hoge dimensies, kenmerk-gewogen gelijkenis de causale subruimte mogelijk niet perfect isoleert. Ze suggereren toekomstige uitbreidingen die instrumentele variabelen of continue behandelingen kunnen bevatten.

Meer zoals dit