Ngày 2 tháng 9 năm 2026, nghiên cứu công bố trên arXiv (mã số arXiv:2609.00071) đã đưa ra phát hiện mới về việc sử dụng sai số dự đoán làm thước đo chất lượng trong suy luận nhân quả. Báo cáo tập trung vào bài toán đánh giá các hàm phụ trợ (nuisance functions) trong mô hình tuyến tính từng phần (partially linear model), chứng minh rằng sai số dự đoán thấp không đồng nghĩa với việc mô hình sẽ đưa ra kết quả ước lượng nhân quả chính xác.
Để kiểm chứng mối quan hệ này, các tác giả đã tiến hành thử nghiệm mô phỏng Monte Carlo trên nhiều cấu hình khác nhau. Nghiên cứu thực hiện so sánh đối đầu bốn phương pháp ước lượng phổ biến, bao gồm hồi quy bình phương tối thiểu thông thường (OLS), mô hình cộng tổng quát (GAMs), thuật toán tăng cường độ dốc XGBoost và phương pháp học máy kép kết hợp XGBoost (DML-XGBoost). Quá trình đánh giá theo dõi đồng thời nhiều chỉ số then chốt: sai số dự đoán của hàm phụ trợ, độ chệch (bias), sai số căn bậc hai trung bình (RMSE) và tỷ lệ bao phủ của khoảng tin cậy 95%.
Kết quả mô phỏng cho thấy sự phân hóa rõ rệt giữa các phương pháp. Trong số các mô hình không sử dụng thông tin chuẩn (non-oracle), XGBoost đạt mức RMSE thấp nhất ở khâu ước lượng điểm. Tuy nhiên, DML-XGBoost lại mang lại tỷ lệ bao phủ khoảng tin cậy 95% vượt trội hơn trong hầu hết các kịch bản thử nghiệm. Đáng chú ý, sai số dự đoán không theo sát độ chệch nhân quả một cách nhất quán giữa các phương pháp và thiết lập mô phỏng. Điều này đồng nghĩa với việc một thuật toán có khả năng dự đoán điểm tốt nhất chưa chắc đã đảm bảo độ tin cậy thống kê cho các suy luận nhân quả.
Nhóm nghiên cứu cũng phân tích một thước đo sai số kết hợp (joint-error measure) dựa trên tích chéo tuyệt đối của sai số ước lượng giữa hàm phụ trợ phơi nhiễm (exposure) và hàm phụ trợ kết quả (outcome). Kết quả thử nghiệm cho thấy chỉ số sai số kết hợp này chỉ có mối liên hệ yếu với độ chệch nhân quả và không thể sử dụng như một tiêu chuẩn độc lập để đánh giá hiệu năng suy luận.
Dữ liệu từ nghiên cứu khẳng định rằng việc tối ưu hóa sai số dự đoán thuần túy của các hàm phụ trợ là cần thiết nhưng chưa đủ để bảo đảm tính chuẩn xác của bộ ước lượng nhân quả cuối cùng. Do đó, các nhà nghiên cứu trong lĩnh vực học máy và suy luận nhân quả được khuyến nghị không nên coi sai số dự đoán là chỉ số đại diện trực tiếp cho chất lượng ước lượng nhân quả.