📈 economics

Local conformal prediction for individual causal effects

本文提出了一种个体化因果预测（ICP）框架，该框架通过利用因果森林加权余弦相似度实现局部校准，并采用双重稳健的 AIPW 分数，为个体因果效应构建了有限样本有效的符合性预测区间，从而在标准估计量失效的高异质性场景中实现了标称覆盖率并提高了点准确性。

原作者： Fernando Delbianco, Fernando Tohmé

发布于 2026-08-11

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Fernando Delbianco, Fernando Tohmé

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你是一名正在试图预测特定患者对新药反应的医生。在统计学领域，有一个常用的工具叫做“条件平均处理效应”（Conditional Average Treatment Effect，简称 CATE）。你可以把它想象成对整个城市的天气预报：它告诉了该社区所有人的“平均”温度。如果天气通常很温和，那么这个平均值对任何单个人来说都是一个很好的猜测。但如果这个社区是由各种各样的人组成的混乱混合体呢？有些人正蜷缩在暴风雪中发抖，而另一些人则在热浪中挥汗如雨，而“平均”温度却是舒适的 70 度。对于那个正在挨冻或中暑的人来说，这个平均值是毫无用处的。这就是“异质性”（heterogeneity）的问题：当个体的反应差异巨大时，平均值就不再能反映任何个体的真实情况。

为了解决这个问题，科学家们使用了“符合预测”（Conformal Prediction）。想象一下，你正在尝试猜测一个神秘箱子的重量。与其仅仅猜一个数字，不如收集一组你已经称重过的、类似的箱子。你观察一下对于那些已知箱子，你的猜测偏差了多少，然后围绕你的猜测建立一个安全网（一个范围），这个范围要足够宽，以便在 9品 95% 的情况下都能捕捉到神秘箱子的真实重量。这种方法之所以强大，是因为它不需要假设重量遵循完美的正态分布；它只需要一组具有可比性的样本。然而，挑战在于如何找到“正确”的一组样本。如果你将神秘箱子与一组与其完全不同的箱子进行比较，你的安全网可能会变得巨大且毫无意义，或者更糟的是，它可能会完全偏离目标。

这篇题为《用于个体因果效应的局部符合预测》（Local Conformal Prediction for Individual Causal Effects）的论文，应对的是个体差异这一复杂的现实。作者 Fernando Delbianco 和 Fernando Tohmé 提出了一种新的框架，称为“个体化因果预测”（Individualized Causal Prediction，简称 ICP）。他们认为，要预测“某一个特定的人”将会发生什么，你不应该观察全世界的数据。相反，你应该只观察那些在因果关系上与那个人高度相似的、微小的特定群体。

作者提出了一个巧妙的三步配方来构建这个完美的“邻里”。首先，他们使用一种智能算法（“因果森林”，Causal Forest）来找出哪些特征对结果真正重要，从而忽略噪声。然后，他们根据这些重要的特征，寻找数据集中与目标人物最相似的人。第二，由于这个“邻里”可能规模太小，无法做出可靠的预测，他们使用了一种被称为“合成增强”（synthetic augmentation）的技巧。他们创建了看起来像真实邻居的、由计算机生成的虚构数据点，有效地填补了空白，使得预测不再仅仅基于寥寥数人。第三，他们应用了一个严格的过滤器，以确保这些真实和虚构的邻居在本质上是可比的，剔除掉那些表面看起来相似但底层机制却不同的个体。

该论文通过计算机模拟和一组关于婴儿健康的知名数据集对这一想法进行了测试。结果表明，这种局部方法是一个赢家。在模拟中，与观察所有人的旧有“全局”方法相比，这种新方法产生了更准确的点估计（更好地猜测确切效应）和更紧凑的预测区间（一个更小、更有用的安全网）。至关重要的是，新方法保持了 90% 的覆盖成功率，这意味着它与旧方法一样可靠，但更加精准。作者展示了通过关注局部的因果环境而非全局的平均水平，我们终于可以针对“我会发生什么？”这个问题给出有意义的答案，而不仅仅是“平均而言会发生什么？”

技术摘要：针对个体因果效应的局部共形预测

问题陈述
标准因果推断文献在很大程度上已趋于一致，将条件平均处理效应（CATE） $\tau(x) = E[Y(1) - Y(0) | X = x]$ 作为主要的估计量。虽然针对 CATE 的渐近置信区间（例如来自因果森林或双重机器学习）对于条件均值是有效的，但在处理效应表现出“无界异质性”时，这些区间无法覆盖“个体因果效应”（ICE），即 $\tau_q = Y_q(1) - Y_q(0)$ 。在这种设定下，即使在极窄的协变量单元内，条件方差也可能很大，这意味着条件均值并不代表任何特定个体的可能效应。现有的因果推断共形预测方法（如 Lei 和 Candès (2021) 的加权拆分 CQR 方法）提供的是在协变量分布上的边际覆盖率，但由于校准集中包含了具有发散处理效应分布的观测单元，导致对于特定的查询单元，其覆盖率可能远低于标称水平。

方法论：个体化因果预测 (ICP) 框架
作者提出了 ICP 框架，旨在为特定查询单元 $q$ 的 ICE 构建有限样本有效的预测区间。其核心创新在于将校准集局部化到具有因果相关性的邻域，而非使用全局数据集。该方法通过四个阶段进行：

特征加权相关集 ( $R_q^{(t)}$ )：
对于查询 $q$ 和干预 $t$ ，该方法从数据集中选择接受了处理 $t$ 且具有相同局部结构机制的观测值。相似性是通过在经过因果森林变量重要性 ( $\omega_j$ ) 重加权的协变量上计算余弦相似度来衡量的。这确保了邻域是由因果相关特征而非噪声变量定义的。
合成增强 ( $S_q^{(t)}$ )：
为了解决高维局部邻域中的数据稀缺问题（Meng, 2018 指出的问题），该框架生成了合成控制组。这包括从 $R_q^{(t)}$ 中进行有放回抽样，并对协变量添加高斯扰动。合成点的结果值通过局部线性模型进行插补。倾向评分落在重叠区域 $[0.05, 0.95]$ 之外的点会被剔除。
超相关性过滤 ( $R_q^{*(t)}$ )：
针对所有 $R_q^{(t)} \cup S_q^{(t)}$ 中的观测值计算一个复合得分 $\phi_i(q)$ ，以过滤出结构同质性的样本。该得分结合了：
- 基于 Shapley 的影响权重： 源自因果森林叶权重。
- 倾向评分接近度： $1 - |\hat{e}(X_i) - \hat{e}(x_q)|$ 。
  至关重要的是，该得分仅依赖于 $(X, T)$ 而非结果 $Y$ ，从而保持了可交换性。最终的校准集保留了按此得分排序的前 50% 的观测值。
基于 AIPW 分数的共形校准：
该框架利用增广逆概率加权 (AIPW) 伪结果作为符合性分数（conformity scores）。非符合性分数定义为 $V_i = |\hat{\Gamma}_i - \hat{\tau}^{OOB}(X_i)|$ ，其中 $\hat{\Gamma}_i$ 是双重稳健 AIPW 估计量。这种选择确保了内曼正交性 (Neyman orthogonality)，即 nuisance 参数估计（结果模型或倾向评分）的一阶误差不会传播到因果效应估计中。预测区间通过计算局部集 $R_q^{*(t)}$ 上这些分数的分位数来构建。

关键理论贡献

有限样本有效性： 在满足 SUTVA、强可忽略性和选择可测性条件（假设 3）的情况下，作者证明（定理 1）所得到的区间满足 $P(\tau_q \in \hat{C}(\tau_q)) \geq 1 - \alpha$ 。其有效性依赖于校准集的选择仅取决于协变量和处理，而非结果，从而确保了符合性分数的交换性。
近似条件覆盖： 虽然正式保证是边际覆盖，但作者认为，通过将校准集集中在因果协变量子空间中的 $x_q$ 周围，该方法实现了近似的条件覆盖，这比全局边际方法提供了更强的保证。
模块化： 该框架被呈现为一个模板，其中的特定估计器（如因果森林）和相似性度量可以在保持选择过程与结果无关的前提下进行替换。

实证结果
该框架在两个数据集上进行了评估：

合成数据： 一个包含 $N=800$ 和 $P=20$ 个协变量的数据集，其中仅有 3 个是因果相关的。ICP 策略（特别是“相关+合成”和“超相关+合成”）实现了 96% 的经验覆盖率（超过了 90% 的标称目标），同时降低了 RMSE 和 MAE。同时，局部策略在不牺牲覆盖率的情况下产生了更窄的区间（例如，相比于全局基准的 13.70，局部策略为 12.63）。
IHDP 基准测试： 在婴儿健康与发展计划数据集（ $N=747$ ）上，所有策略均实现了 100% 的经验覆盖。“相关+合成”策略在所有准确性指标上均占优（RMSE: 0.399 vs. 0.437 对于全局；MAE: 0.298 vs. 0.333），并产生了最窄的平均区间宽度。
LaLonde 数据集： 应用于真实的观测数据，该方法产生了较宽的区间（范围在 3.1 万至 3.5 万美元之间），反映了记录在案的收入效应异质性，尽管无法进行地面真值对比。

意义与主张
本文旨在解决因果推断中的一个根本差距：在高度异质性下，标准 CATE 估计器无法为个体反事实实现提供有效的确定性量化。这项工作的意义在于：

范式转移： 从估计条件均值转向为特定个体的反事实实现提供预测区间。
局部校准： 证明将校准限制在因果相关的邻域内，可以比全局方法提高点估计的准确性和区间精度。
处理数据稀缺： 展示了合成增强可以在不违反共形预测所需的交换性假设的前提下，稳定局部估计。
结构对齐： 通过筛选具有相同结构机制（而非仅仅是原始特征接近）的单元，将共形预测与结构因果模型 (SCM) 及不变因果预测联系起来。

作者对局限性保持了谦逊的态度，指出该方法假设强可忽略性（不存在未观测到的混杂因素），并且在极高维情况下，特征加权的相似性可能无法完美隔离因果子空间。他们建议未来的扩展可以纳入工具变量或连续处理变量。

技术摘要：针对个体因果效应的局部共形预测

类似论文