Hangi Nedensellik Teorilerini Bilmeliyim?

Uygulamalı bir istatistikçi / ekonometri uzmanı olarak nedenselliğe hangi teorik yaklaşımları bilmeliyim?

Biliyorum (çok az)

Neyman – Rubin nedensel modeli (ve Roy , Haavelmo vb.)
Pearl'ün Nedensellik Üzerine Çalışması
Granger Nedensellik (daha az tedavi odaklı olsa da)

Hangi kavramları özlüyorum ya da farkında olmam gerekir mi?

İlgili: Makine öğrenmesinde nedenselliğin temelleri hangi teorilerdir?

Bu ilginç soruları ve cevaplarını okudum ( 1 , 2 , 3 ) ama bence farklı bir soru. Örneğin, "nedensellik" in İstatistiksel Öğrenme Unsurlarında bahsedilmediğini görünce çok şaşırdım .

— Arne Jonas Warnke
kaynak

Andrew Gelman'ın AJS: Gelman, A. (2011). Nedensellik ve İstatistiksel Öğrenme. Amerikan Sosyoloji Dergisi, 117 (3), 955-966. doi: 10.1086 / 662659 . Rubin'in ve Pearl'ün çalışmalarının yanı sıra diğerlerine özel referanslarla sosyal bilimdeki nedenselliğe kısa bir genel bakış. Referansları ovmak için iyi bir yer.

— paqmo

Başlangıç olarak, (John Stuart) Mill'in yöntemleri. en.wikipedia.org/wiki/Mill's_Methods

— noumenal

Granger nedenselliğinin olası yanlış yorumlanmasına ilişkin kabul edilen cevap altındaki yorumuma bakın.

— Richard Hardy

$B$

Bir nedenin zaman içinde etkisinden önce gelmesi neredeyse tartışılmaz olsa da, zaman önceliği ile nedensel sonuçlar çıkarmak için, diğer sahte dernekler kaynakları arasında hala karışıklık olmadığını iddia etmeniz gerekir.

Şimdi Potansiyel Sonuçlar (Neyman-Rubin) ve Nedensel Grafikler / Yapısal Eşitlik Modeli (İnci) ile ilgili olarak, bunun yanlış bir ikilem olduğunu söyleyebilirim ve her ikisini de öğrenmelisiniz.

İlk olarak, bunların nedensellik hakkında zıt görüşler olmadığını fark etmek önemlidir . Pearl'ün söylediği gibi, (nedensel) çıkarım görevleriyle ilgili bir hiyerarşi vardır:

Gözlemsel tahmin
Müdahale altında tahmin
Karşı Olgular

İlk görev için sadece gözlenen değişkenlerin ortak dağılımını bilmeniz gerekir. İkinci görev için ortak dağılımı ve nedensel yapıyı bilmeniz gerekir. Karşı tarafların son görevi için, yapısal denklem modelinizin fonksiyonel formları hakkında daha fazla bilgiye ihtiyacınız olacaktır.

Yani, karşı olgular hakkında konuşurken, her iki perspektif arasında resmi bir denklik vardır . Aradaki fark, potansiyel sonuçların ilkel olarak karşı-olgusal ifadeler alması ve DAG'lerde karşı-olgusallar yapısal eşitliklerden türetilmiş gibi görünmektedir . Ancak, eğer "eşdeğer" ise, neden ikisini de öğrenmek zahmete girebilir? Çünkü bir şeyleri ifade etmek ve türetmek için "kolaylık" açısından farklılıklar vardır.

Örneğin, M-Bias kavramını sadece potansiyel sonuçları kullanarak ifade etmeye çalışın --- Hiç iyi bir sonuç görmedim. Aslında, şu ana kadar yaşadığım deneyim, hiç grafik okumamış araştırmacıların farkında bile değil. Ayrıca, modelinizin temel varsayımlarını grafik dilde yayınlamak, onun ampirik test edilebilir sonuçlarını elde etmeyi ve tanımlanabilirlik sorularını cevaplamayı hesaplama açısından kolaylaştıracaktır. Öte yandan, bazen insanlar doğrudan karşı tarafların kendileri hakkında doğrudan düşünmeyi ve çok spesifik soruları yanıtlamak için bunu parametrik varsayımlarla birleştirmeyi daha kolay bulacaktır.

Söyleyebileceğimiz çok daha fazla şey var, ancak buradaki nokta, "her iki dili nasıl konuşacağınızı" öğrenmeniz gerektiğidir. Referanslar için, nasıl başlayacağınıza buradan bakabilirsiniz.

— Carlos Cinelli
kaynak

PO'lar açısından ifade edilmesi kolay, ancak DAG'larda olmayan bir şeye örnek verebilir misiniz?

— Guilherme Duarte

@GuilhermeDuarte iç içe karşı olgular içeren arabuluculuk miktarları

— Carlos Cinelli

A \overset{G r a n g e r}{\to} B

$A\xrightarrow{Granger} B$

A

$A$

B

$B$

B

$B$

@RichardHardy haklı olduğunu düşünüyorum, belki de her zaman güneş doğmadan bir saat önce kargaların, gündoğumu zaman serisinin doğrusal bir modelinin ötesinde (gündoğumu her gün aynı olmadığından), ancak mükemmel bir modelle, tahmin gücüne sahip olabileceği mükemmel bir horoz. muhtemelen hiçbir şey eklemez.

— Carlos Cinelli

Granger nedenselliğinin, ek bir A değişkenine ve dolayısıyla Granger nedenselliğine duyulan ihtiyacı haklı çıkarmak için sadece B öyküsüne sahip düşük tahmin modellerinin kullanılmasını önermediğini düşünüyorum. Daha ziyade, ideal olarak, B'nin kendi geçmişini kullanarak mümkün olduğunca iyi bir model hedefler ve daha sonra A (bir şekilde) eklemenin B'yi tahmin etmeye yardımcı olup olmadığını görür. Ve elbette, "mükemmel bir horoz" oldukça ütopik bir kavramdır. Bu göz önüne alındığında, cevabın bunu yansıtacak şekilde düzenlenmesi iyi bir fikir olabilir.

— Richard Hardy