在因果推断中，评估干扰函数估计器通常依赖于预测误差，但这样做是否合理？一项新研究深入探讨了预测误差与因果估计性能之间的关系，并对不同方法进行了系统比较。研究发现，预测误差虽有助于评估干扰函数估计，但并不能可靠地反映最终因果估计的质量。
该研究由Cong Cao等人开展，聚焦于部分线性模型框架下的因果效应估计问题。部分线性模型是因果推断中常用的一种模型设定，其核心在于需要估计暴露模型和结果模型中的干扰函数（nuisance functions）。在实践当中，研究者通常采用机器学习方法对干扰函数进行拟合，然后以预测误差（如均方误差）为标准来评价干扰函数估计器的好坏。然而，这种评价方式是否真的能反映因果估计的准确性，此前尚缺乏系统的研究。
为了回答这个问题，研究团队通过蒙特卡洛模拟系统地比较了四种代表性的估计方法：普通最小二乘（OLS）、广义加性模型（GAM）、XGBoost以及结合双重机器学习与XGBoost的DML-XGBoost。'XGBoost是一种强大的梯度提升树算法，在诸多机器学习任务中表现出色；而双重机器学习（Double Machine Learning）则是一种用于消除正则化偏差的框架，常与机器学习方法结合使用以估计因果效应。研究者在模拟中评估了各方法的干扰函数预测误差、因果偏差（bias）、均方根误差（RMSE）以及95%置信区间的覆盖率。此外，他们还提出了一种简单的联合误差度量（joint-error measure），基于暴露模型和结果模型干扰函数估计误差的绝对交叉乘积，试图用一个综合指标来反映因果估计的潜在误差。
模拟结果显示，在非oracle方法中，XGBoost的RMSE最低，即其点估计的精度最高；但是，它的因果偏差并不是最小，这意味着更低的预测误差并不一定带来更小的因果偏差。相比之下，DML-XGBoost虽然点估计的RMSE稍高，但通常能提供更好的95%置信区间覆盖率，即区间估计的可靠性更优。值得注意的是，研究者发现预测误差在不同方法和设定下并不能一贯地跟踪因果偏差的变化：有时某方法的预测误差很低，但其因果偏差却可能较大；而有时预测误差较高的方法反而因果偏差更小。类似的，点估计表现最好的方法未必具有最好的置信区间覆盖率，这提示在不同的性能维度之间可能存在权衡。
进一步分析表明，研究者提出的联合误差度量与因果偏差仅呈现弱相关，这意味着该度量并不能作为一个独立的指标来衡量因果估计的性能。尽管在理论上，联合误差可能捕捉了暴露模型和结果模型误差的交互效应，但在实际模拟中其解释力有限。因此，研究者不建议将其作为因果性能的替代指标单独使用；它或许可以作为辅助诊断工具，但不能替代直接的因果评价。
基于这些发现，该论文的作者指出，研究者应谨慎对待预测误差作为因果估计质量的指标。预测误差是评估干扰函数估计的有用工具，可用于模型调优和比较干扰函数本身的拟合精度，但它不应被视为因果估计质量的直接代理。因果估计的质量最终还依赖于推断框架（如双重机器学习）如何利用干扰函数，以及数据生成过程的特征。这一结论对实证研究人员具有重要的指导意义：在选择机器学习模型用于因果推断时，不应仅仅依赖预测性能指标，而应结合因果目标进行模型选择，并采用多种评价维度进行综合判断。
该论文的预印本已提交至arXiv（编号2609.00071），包含10页正文、2个图和1张表格，并给出了详细的模拟设计。文章可能对因果推断领域的研究方法产生重要的启发，推动开发更合理的干扰函数评估框架。未来工作或许可以扩展到更复杂的模型设定（如非线性或高维问题），并探索新的评估指标来弥合预测误差与因果性能之间的鸿沟。总而言之，这项研究提醒我们，在因果推断的实践中，'预测得好'并不等于'因果估计得好'，评价方式的全面性不可或缺。