Краткое содержание

arXiv:2511.13018v1 Тип: новая статья Аннотация: R-Learner — это мощный, теоретически обоснованный框架 для оценки гетерогенных эффектов воздействия, ценящийся за свою устойчивость к ошибкам в моделях nuisance-параметров. Однако его применение к сетевым данным, где причинная неоднородность часто зависит от графа, создает серьезную проблему для его ключевого предположения о корректной спецификации модели на финальном этапе. В данной статье мы проводим масштабное эмпирическое исследование, чтобы систематически проанализировать框架 R-Learner на графах. Мы представляем первые строгие доказательства того, что основной движущей силой производительности является индуктивное смещение оценщика CATE на финальном этапе — эффект, который доминирует над выбором моделей nuisance-параметров. Наш ключевой результат — это количественная оценка катастрофического «представительского узкого места»: мы доказываем с высокой статистической значимостью (p < 0,001), что R-Learner со слепой к графу финальной стадией терпят полный провал (MSE > 4,0), даже будучи объединенными с мощными GNN моделями nuisance-параметров. Напротив,