Model validation through structural causal models

R. Gonzales

doi:10.1016/j.net.2026.104791

Model validation through structural causal models

2026-10-27

0

OA

AI

DOI：10.1016/j.net.2026.104791

原文链接

摘要

En 中文

当前模型验证方法采用标准统计分析（用于测量数据群体间的统计差异）或机器学习（用于识别数据响应面）方法来定量测量模拟数据集与实验数据集之间的差异。这些方法并未将产生数据的因果或机制结构（例如边界条件、支配性物理关系）显式编码到比较指标本身中。这可能导致错误结论，即当两个数据群体足够接近时，生成它们的模型是相似的。此外，当模拟数据与实验数据超出接受标准时，会使用模型校准技术调整模拟模型参数以减少两者间的差距。这可能产生虚假期望，认为仿真模型符合现实。本文提出一种替代方法，从当前的数据驱动验证方法转向基于因果推断的模型驱动方法。所提出的方法旨在识别和量化数据元素间的因果关系，而非仅关注其关联性。将此类分析应用于每个数据集（例如模拟和实验数据集）的结果是一个结构化因果模型，该模型解析地表示此类因果关联。随后通过比较由模拟数据和测量数据生成的结构化因果模型来进行验证。

Keyword:

Model validation

Causal inference

Model validation through structural causal models

摘要

期刊

机构

引用论文