Кausal inference (каузальное вывод) — это подполе предсказания, где вы пытаетесь предсказать, что произойдет, когда будет применено лечение. Таким образом, вся эконометрика на самом деле является узким подполем предсказательной машинного обучения.

@DamienTeney @austinc3301 вероятно, это написал экономист. чертовы экономисты

@austinc3301 Вы только что доказали, что "каузальное моделирование" в некотором смысле является "хаком" для решения проблемы, когда у нас иногда есть плохие данные. Но когда у нас есть хорошие данные - когда мы видим все U - предсказательное моделирование - это все, что нам нужно.

@austinc3301 Мы всегда будем получать больше данных, что означает, что в конечном итоге предсказательная модель, вероятно, преодолеет временный "хак" в виде причинного моделирования. Это был полезный и элегантный хак, но временный.

@austinc3301 Либо они различимы — в этом случае предсказательная модель их различит — либо нет — в этом случае она не сможет. Очень просто

или что-то, что в определенном смысле эквивалентно интервенции (как то, что экономисты называют "инструментами"). Вы можете назвать это "каузальным выводом", я могу назвать это "предсказанием", но это соответствует моему утверждению, что ваш "каузальный вывод" на самом деле является просто особым видом предсказательной задачи.

@austinc3301 Вы даже признали, что это правильно: "каузальное вывод - это расширение статистического предсказания"

@austinc3301 В любом случае, оставив троллинг в стороне, "каузальная индукция" — это просто экстраполятивное предсказание. Существенный момент Арпита в том, что теперь существуют черные ящики, которые также довольно хорошо справляются с предсказанием вне выборки, каким-то образом, с помощью подхода, очень отличного от каузальной индукции.

@SeanGailmard В основном, ваша критика применима только к плохим предсказательным моделям

@SeanGailmard DGP имеет значение только в той мере, в какой он влияет на потенциально наблюдаемые контрфакты

@SeanGailmard Посмотрите, например

@SeanGailmard это не имеет ничего общего с "DGP"; это все связано с лучшими прогнозами в условиях, где есть такие проблемы, как отбор, смешение и т.д.

@SeanGailmard Конечно, я наполовину играю в глупую педантичную игру, но я думаю, что в этом есть некоторая суть

@SeanGailmard Мое первоначальное утверждение было простым: причинная интерференция — это просто предсказание того, что происходит, когда применяется лечение. Я не вижу, почему это подразумевает в каком-либо смысле универсальную или всесильную предсказательную модель.

@SeanGailmard Это должно быть достаточно хорошим, чтобы... предсказать, что произойдет, когда будет применено лечение

@SeanGailmard Способ, которым вы это делаете, заключается в том, чтобы найти инструмент или что-то подобное. То, что я оспариваю (наполовину шутя), это то, что это существенно отличается от "прогноза" в каком-то смысле.