Basit doğrusal regresyon nedenselliği ima eder mi?

17

Korelasyonun nedensellik değil, ilişkinin gücü ve yönü olduğunu biliyorum. Basit doğrusal regresyon nedenselliği ima eder mi? Yoksa bunun için çıkarımsal (t testi, vb.) Bir istatistiksel test gerekli midir?

regression correlation causality

— user4572
kaynak

3

"Yön" ile ne demek istiyorsun? Benzer soruların cevaplarını okudunuz mu? Stat.stackexchange.com/search?q=causal ? Kısa cevap hayır!

— NRH

3

Önerilerinizin hiçbiri nedensellik (veya yön) anlamına gelmez.

— Henry

2

Bence OP, X ve Y arasındaki nedensel ilişkilerin yönü değil, pozitif ve negatif korelasyon anlamında "yön" anlamına geliyordu.

— JMS

19

Hızlı cevap hayır. Regresyon yapıldığında her türlü istatistiksel testi geçecek ilgili olmayan verileri kolayca bulabilirsiniz. Aşağıda, veriye dayalı "nedensellik" i göstermek için kullanılmış olan Wikipedia'dan (bazı nedenlerden dolayı yakın zamanda kaldırılmıştır) eski bir resim bulunmaktadır.

Gezegeni soğutmak için daha fazla korsan lazım mı?

resim açıklamasını buraya girin

Zaman serileri için çok özel bir anlamı olan "Granger Nedensellik" adı verilen bir terim vardır.

http://en.wikipedia.org/wiki/Granger_causality

Bunun dışında, "nedensellik" bakanın gözündedir.

— bill_080
kaynak

Pozitif korelasyon ya da yön ile negatif demek istedim. Yanıtınız ve benzer sorulara bağlantı için teşekkür ederiz.

— user4572

1

Bu resimde oldukça çılgın bir X ekseni! (Ama iyi bir örnek!)

— Andy W

2

Başka bir ..... Bangladeş'te Peynir, Tereyağı ve Koyun, S & P500'e karşı (R ^ 2 = 0.99) ...... nerdsonwallstreet.typepad.com/my_weblog/files/… ....

— bill_080

5

Bu grafik açıkça modası geçmiş. Ya şu ya da Aden Körfezi'nde

— kardinal

2

Bu veriler Al Gore'un korsan olmadan önceydi.

— bill_080

10

Regresyon matematiğinde, nedensel ilişkilerin devlet olduğuna dair açık bir şey yoktur ve bu nedenle eğimi (kuvvet ve yön) veya p-değerlerini (yani, güçlü veya güçlü bir ilişkinin ilişki popülasyonda sıfırdı).

Bununla birlikte, regresyonun, iki değişken arasındaki korelasyonu tahmin etmekten çok açık bir yönlü ilişki tahmin ettiğinden çok daha güçlü bir çağrışım olduğunu söyleyebilirim. Korelasyon ile Pearson r demek istediğinizi varsayarsak , metrik simetrik olduğu için açık bir nedensel yorumlamaya sahip değildir (yani hangi değişkenin X ve hangisinin Y olduğunu ve yine aynı ölçüye sahip olacağınızı değiştirebilirsiniz). Ayrıca "Korelasyon nedensellik anlamına gelmez" konuşma diline o kadar iyi bilindim ki, iki değişkenin birbiriyle ilişkili olduğunu belirtmek, bir nedensel açıklama yapmadığı varsayımından kaynaklanmaktadır.

Gerileme analizindeki tahmini etkiler simetrik değildir ve bu nedenle sağ tarafta sol tarafa karşı hangi değişkenin seçilmesiyle, korelasyondan farklı olarak örtük bir ifade yapılır. Birinin, gerilemenin kullanıldığı koşulların büyük çoğunluğunda (çıkarım ve tahminin bir kenara doğru) bazı nedensel ifadeler yapmak istediğinden şüpheleniyorum. Sadece korelasyonları belirtmek durumunda bile, insanların sıklıkla nedensel çıkarımın akıllarında bazı ima edilen hedeflere sahip olduğundan şüpheleniyorum. Bazı kısıtlamalar karşılandığında verilen korelasyon nedensellik anlamına gelebilir !

— Andy W
kaynak

7

Ne korelasyon ne de regresyon nedenselliği gösteremez (@ bill_080'in cevabı ile gösterildiği gibi), ancak @Andy W'nin regresyon genellikle açık bir şekilde sabitlenmiş (yani bağımsız) bir değişkene ve açık (yani rastgele) bir bağımlı değişkene dayandığını gösterir. Bu tanımlamalar korelasyon analizinde uygun değildir.

Alıntı yapmak için Sokal ve Rohlf, 1969, s. 496

"Regresyon biz değişken bağımlılığını tanımlamak niyetinde Y bağımsız değişken üzerinde X değişikliklerin olası nedensellik ilgili hipotezler destek vermeye ... Y değişikliklerden X ..."

"Korelasyonda, tam tersine, büyük ölçüde iki değişkenin birbirine bağımlı mı yoksa kovaryans mı - yani birbirinden farklı mı olduğuyla ilgileniyoruz . Birini diğerinin fonksiyonu olarak ifade etmiyoruz."

Sokal, RR ve FJ Rohlf, 1969. Biyometri. Freeman and Co.

— DQdlM
kaynak

4

Anlamsal bir bakış açısından, alternatif bir amaç nedenselliği kanıtlamak yerine iyi bir öngörücü model için kanıt oluşturmaktır. Bir regresyon modelinin öngörücü değeri için kanıt oluşturmak için basit bir prosedür, verilerinizi 2 parçaya bölmek ve regresyonunuzu verilerin bir kısmına ve veri testinin diğer kısmına ne kadar iyi tahmin ettiğine uymaktır.

Granger nedensellik kavramı ilginçtir.

— b_dev
kaynak

2

\hat{β} = \frac{C o v (x, y)}{V a r (x)}

$\hat{\beta} = \frac{Cov(x,y)}{Var(x)}$

\hat{α} = \bar{y} - \hat{β} \bar{x},

$\hat{\alpha}= \bar{y}-\hat{\beta}\bar{x} ,$

burada Var (.) ve Cov (.) örnek (veriler) 'den tahminlerdir.

Sonuç olarak, bu parametrelerin kendileri x ve y arasındaki bazı korelasyon fonksiyonlarından başka bir şey değildir. Özellikle, beta sadece "normalleştirilmiş" bir korelasyon katsayısıdır. Dolayısıyla, regresyonda korelasyondan daha fazla ima edilen nedensellik yoktur. Nedensel regresyon, herhangi bir belirli regresyon modelinin nedensel yorumunu gizleyen kafa karıştırıcı gibi fenomenlerin etrafından dolaşmak için örneğin enstrümantal değişkenlere güvenmek zorunda kalacağı ekonometride özel bir tekniktir.

Benim nokta: regresyon edilebilir yapılan nedensel ama edilmektedir değil y varsayılan nedensel.

Daha fazla bilgi için şu videoları izleyin: https://www.youtube.com/watch?v=Sqy_b5OSiXw&list=PLwJRxp3blEvaxmHgI2iOzNP6KGLSyd4dz&index=55&t=0s

Rubin'in kendisinin "Rubin modeli": http://www.stat.columbia.edu/~cook/qr33.pdf

Nedensellik hakkında harika bir giriş kursu (henüz bir gerileme yok): https://www.coursera.org/learn/crash-course-in-causality

— Alfred Beit
kaynak

Güzel nokta. CV'ye hoş geldiniz.

— Neil G

0

Benim anlayışım (ben bir nedensellik acemiyim) şudur:

Değişkenler kontrollü bir deneyden geldiyse doğrusal regresyon nedensellik anlamına gelir ve denemeniz varsayılmış nedensel faktörü iyi bir şekilde izole eder (bkz . Rastgele kontrollü bir deneyde doğrusal regresyon ve nedensellik ).
$E(\epsilon|X)\neq 0$ $E(\epsilon|X)\neq 0$ $E(\epsilon|X)=0$

$E(\epsilon|X)=0$

— mlstudent
kaynak

2

E (ϵ | X) = 0

$E(\epsilon | X ) = 0$

Ayrıntılı tartışma istatistikleri için bunu inceleyin . Bazı güzel puanlar vererek stackexchange.com/questions/59588/… .

— mlstudent

E (ϵ | X) = 0

$E(\epsilon|X)=0$

y = α + β x + ϵ

$y=\alpha+\beta x+\epsilon$

y

$y$

x

$x$

y

$y$

x

$x$

Y \sim N (μ_{Y}, σ_{Y})

$Y \sim N(\mu_Y,\sigma_Y)$

X | Y \sim N (a + b Y, σ_{X})

$X|Y \sim N(a+bY,\sigma_X)$

E (ϵ | X) = 0

$E(\epsilon|X) = 0$

-6

Regresyon nedensel bir ilişki varsayarsa ... konunun fiziksel / entelektüel / bilimsel analizi sonucunda nedensellik için bir temel yoksa, nedensel bir analizin temeli ve regresyon için bir temel yoktur. Bu nedenle FDA ve benzeri devlet kurumları her zaman "Buna neden olur!" ancak yıllarca ve milyarlarca dolarlık zararı geri çekmek için. Örnekler lejyon: kahve, çikolata, kafein, pastırma, yumurta vb.

Daha da kötüsü, iki değişkenin bir geri besleme döngüsü olması. Biri bir noktada diğerine neden olabilir; sadece diğerinin diğerine yol açması, daha sonra. Bu her zaman benim alanımda, ekonomide olur: bu yüzden çoğu ekonomik analiz yazdırıldığı kağıda değmez.

— Gary Jakacky
kaynak

6

Bu tamamen yanlış. Regresyon sadece iki sayı kümesi arasında bir ilişki bulur. Bu ilişkinin doğrudan nedensel bir bağlantı nedeniyle var olup olmadığı tamamen farklı bir konudur.

— gung - Monica'yı eski