Granger's ve Pearl'ün nedensellik çerçeveleri arasındaki temel farklar nelerdir?

Son zamanlarda, Granger nedensellikten bahseden birkaç makale ve çevrimiçi kaynağa rastladım . İlgili Vikipedi makalesinde kısaca gezinti , bu terimin zaman serileri (veya daha genel olarak stokastik süreçler ) bağlamında nedensellik anlamına geldiği izlenimini bıraktı . Dahası, bu güzel blog yazısını okumak, bu yaklaşımın nasıl görüntüleneceği konusunda ek bir karışıklık yarattı.

Hiçbir şekilde nedensellik hakkında bilgili bir insan değilim, çünkü kavram hakkındaki bulanık anlayışı kısmen sağduyulu, sağduyulu bilgiler , bazı gizli değişken modellemeye maruz kalma ve yapısal eşitlik modellemesi (SEM) ve Judea Pearl'ün çalışmalarından biraz okuma nedensellik - onun kitabı değil, dahası, bir nedenle şaşırtıcı bir şekilde, Granger nedensellikten hiç bahsetmeyen Pearl (2009) 'un ilginç bir genel bakış makalesinin çizgileri boyunca.

Bu bağlamda, Granger nedenselliğinin bir zaman serisi (stokastik) çerçevesinden daha genel bir şey olup olmadığını ve eğer öyleyse , yapısal nedensel modele dayanarak Pearl nedensellik çerçevesine olan ilişkisinin (ortaklıklar ve farklılıklar) olup olmadığını merak ediyorum ( Anladığım kadarıyla, doğrudan asiklik grafiklere (DAG'ler) ve karşı- fiillere dayanan SCM) . Bu Granger nedensellik bir şekilde sınıflandırılabilir görünüyor genel yaklaşıma göre nedensel çıkarsama için dinamik sistemlerin varlığını dikkate dinamik nedensel modelleme (DCM)yaklaşım (Chicharro ve Panzeri, 2014). Ancak, benim endişem, biri stokastik süreç analizine dayanan, diğeri olmayan iki yaklaşımı karşılaştırmanın mümkün olup olmadığı (ve eğer öyleyse nasıl olduğu) ile ilgili .

Daha genel olarak, şu anda mevcut olan tüm nedensellik teorilerini tek bir kapsamlı nedensellik çerçevesi içinde (farklı bakış açıları olarak ) göz önüne almak için - eğer mümkünse - mantıklı bir üst düzey yaklaşım olacağını düşünüyorsunuz ? Bu soru büyük ölçüde, Chicharro ve Panzeri'nin (2014) mükemmel ve kapsamlı bir makalesini okuma girişiminin yanı sıra , University of California, Berkeley'deki ilginç bir nedensel çıkarım dersini gözden geçirme ile tetiklendi (Petersen ve Balzer, 2014).

Referanslar

Chicharro, D. ve Panzeri, S. (2014). Beyin bölgeleri arasındaki etkin bağlantı analizi için nedensel çıkarım algoritmaları. Nöroinformatikte Sınırlar, 8 (64). doi: 10.3389 / fninf.2014.00064 http://journal.frontiersin.org/article/10.3389/fninf.2014.00064/pdf adresinden alınmıştır.

Pearl, J. (2009). İstatistiklerde nedensel çıkarım: Bir genel bakış. İstatistik Araştırmaları, 3 , 96–146. doi: 10.1214 / 09-SS057 http://projecteuclid.org/download/pdfview_1/euclid.ssu/1255440554 adresinden alındı

Petersen, M. ve Balzer, L. (2014). Nedensel çıkarıma giriş. Kaliforniya Üniversitesi, Berkeley. [Web Sitesi] http://www.ucbbiostat.com adresinden alındı

Granger nedensellik esasen tahmin için faydalıdır: Y'nin hem Y hem de X'in geçmişlerini kullanarak Y'nin yalnızca Y geçmişini kullanarak daha iyi tahmin edilebildiği takdirde Y'nin Granger-nedeni Y'ye söylenir. GC, Pearl'ün karşı-anlamda anlamında nedensellik ile çok az ilgisi vardır; bu, gerçekleşebilecek dünyanın farklı durumlarının karşılaştırılmasını içerir. Yani, Peger Granger'a neden oluyor Paskalya, ama buna sebep olmuyorlar. Tabii ki, ikisi X dışında başka potansiyel nedenlerin olmadığı bir dünyada örtüşecek, ancak bu pek olası bir ortam değil ve temelde denenemez bir durum değil. Karşılaşabilecekleri daha az kısıtlayıcı bir yol ise, Y ve X'in gerçekleşmiş tarihine bağlı olarak, bir sonraki X gerçekleşmesinin potansiyel sonuçlardan bağımsız olması.

Pearl nedensellik hakkında akıl yürütme için bir hesaplama sağlar, Granger potansiyel nedensel ilişkileri keşfetmek için bir yöntem sunar. Ayrıntılı olarak anlatacağım:

Pearl'ün çalışması, üçlü bir M = (U, V, F) olan "Yapısal Nedensel Modeller" dediği şeye dayanıyor. Bu modelde U, eksojen (arka plan veya sürüş) gözlemlenmemiş değişkenlerin toplanmasıdır, V, endojen (bir şekilde U ve V değişkenleri tarafından belirlenir) değişkenlerinin toplanmasıdır ve F, f1, f2 işlevlerinin bir koleksiyonudur. ..., V'deki her bir Vi için, Vi değişkeni tam olarak Vi = fi (U, V \ Vi) olarak belirlenir, yani fi değişkenleri U'daki değişkenlerden bazıları ve V'deki değişkenlerden bazılarıdır, ama Vi'nin kendisi değil. Bunu olasılıksal bir modele dönüştürmek için, U bir olasılık dağılımına eklenir. U1'in bir adamın idamesi için mahkeme emri olduğu bir örnek verildiğinde, V bir kaptanın (V1) ve iki tüfek oyuncunun (V2, V3) bir kovuşturma ekibinde olduğu gibi, mahkeme kararının hüküm sürdüğü kişinin yaşam / ölü durumu (V3). Hakim, adamın vurulmasını emrederse (U1 = 'infaz'), bu durumda kaptanın ateş emrini vermesine neden olur, bu da tüfeğin tutukluyu vurmasına ve dolayısıyla ölümüne neden olur. Mahkeme emri verilmezse, kaptan sessiz kalır, tüfek ateş etmez ve mahkum hayatta kalır.

Pearl, modelinin nedensellik, tasarım deneyleri tasarlama, müdahalenin etkilerini tahmin etme ve karşı-olgusal soruları cevaplamada nasıl kullanılabileceğini savunuyor. Müdahale, olasılık teorisindeki her şeyden farklıdır. Müdahale yaparken, modelle etkileşime girer ve bir değişken sabiti tutarız (bu, değişkenin olasılıksal koşullandırmada olduğu gibi, belirli bir durumda olduğunu gözlemlemekten daha fazlasıdır) ve Pearl, model için "cerrahi işlem yapmayı" açıklar. bu müdahalenin sonucunu tahmin edin. Karşı olgusalları cevaplamak daha da zordur, çünkü bir deneyin sonucunun ne olacağını bilmek isterdik, öyle olmasına rağmen, böyle bir şey olmadı. Pearl'ün modellerinin konusu budur.

Öte yandan Granger Nedensellik istatistiksel bir yöntemdir ve nedensellik "kanıtlamak" için hiçbir girişimde bulunmaz. Eğer bir sürü sürecimiz varsa, potansiyel olarak gerçek nedenler olarak yorumlanabilen "makul nedensel ilişkilerin" bir grafiğini elde etmek için veya potansiyel olarak orijinal sebepler olarak yorumlanabilen veya birbirleriyle bağlantılılıklarını ölçmek veya enerji veya bilgi akışını tespit etmek için Granger nedensellik kullanabiliriz. süreçler arasında. Gerçekten nedensellik durumunda, deneylerin (Pearl'ün yöntemleri için gerekli) çok maliyetli olduğu bir durumu hayal edebilirsiniz. Bu durumda, sistemi hala gözlemleyebilir ve olayları potansiyel nedenlere göre daraltmak için Granger-Causality'yi uygulayabilirsiniz. Bunu yaptıktan sonra, uygun ek kaynakların nerede olduğu konusunda bir fikriniz olabilir.

Pearl'ün nedensel modellerini okurken hemen akla gelen bir soru “bir modeli ilk etapta nasıl inşa ediyor?”. Bu, bir alan uzmanlığı ve hipotezleştirmenin bir kombinasyonu ile başarılabilir, ancak Granger-Causality, Pearl nedensel modelinin nasıl inşa edileceği hakkında daha fazla bilgi de sağlayabilir.

Yorum yapmak için yeterli üne sahip olmadığım için, buraya Dimitriy V eleştirisini ekleyeceğim. Masterov'un cevabı: Peeps Granger-Cause Easter'ı değil. Paskalya periyodik olarak gerçekleşir, Peeps'in oluşumu Paskalya ile yakından ilişkili olsa da, Paskalya oluşumunun geçmişi, gelecekteki oluşumunu tahmin etmek için yeterlidir. Peeps hakkında bilgi Paskalya hakkında ek bilgi içermez. Bunun önemli bir nokta olduğunu düşünüyorum: Granger-Nedensellik, sadece bir korelasyondan çok daha fazlasıdır. İlişkilendirilen işlemler herhangi bir Granger-Nedensel ilişkiye sahip olmayabilir ve bir Granger-Nedensel ilişkiye sahip olan işlemler ilişkilendirilemez.