因果回帰における一般化境界：洞察、保証、および感度分析

最近、因果機械学習のために多くのアルゴリズムが提案されています。しかし、特に有限サンプルを考慮した場合、それらの質についての理論はほとんど存在しません。本研究では、そうした保証を提供する一般化境界に基づく理論を提案します。新しい測度の変化に関する不等式を導入することによって、我々は、治療傾向の人口に対する偏差の観点からモデル損失を厳密に束縛することができ、その偏差が経験的に制限されることを示します。我々の理論は完全に厳密であり、隠れた交絡やポジティビティの違反に直面した場合でも成り立ちます。我々は、半合成データおよび実データの上で我々の境界を示し、その顕著な緊密性と実用性を示しています。