Sorunuzda, "nedensel Bayesian ağlarının" ve "arka kapı testlerinin" ne olduğunu bilmediğinizi belirtiyorsunuz.
Nedensel bir Bayesian ağınız olduğunu varsayalım. Yani, düğümleri önerileri temsil eden ve yönlendirilmiş kenarları potansiyel nedensel ilişkileri temsil eden yönlendirilmiş bir asiklik grafiktir. Her hipoteziniz için bu tür birçok ağınız olabilir. Bir kenar gücü veya varlığı hakkında zorlayıcı bir argüman yapmanın üç yolu vardır .A→?B
En kolay yol müdahaledir. Diğer cevapların “uygun randomizasyonun” sorunu çözeceğini söylediklerini söylediği şey budur. Rasgele farklı değerlere sahip olmaya zorlarsınız ve ölçersiniz . Bunu yapabilirsen bitti, ama her zaman bunu yapamazsın. Örneğinizde, insanlara ölümcül hastalıklara etkisiz tedaviler vermek etik dışı olabilir veya tedavilerinde söz sahibi olabilirler, örneğin, böbrek taşları küçük ve daha az ağrılı olduğunda daha az sert (B tedavisi) seçebilirler.bAB
İkinci yol ise ön kapı yöntemidir. üzerinden etki ettiğini , yani göstermek istediğinizi göstermek istersiniz . Eğer olduğunu varsayarsak potansiyel kaynaklanır ancak başka nedenleri vardır ve bunu ölçebilir ile ilişkilidir ve ile ilişkilidir , o zaman delil yoluyla akan olmalıdır sonuca varabiliriz . Orijinal örnek: sigara içiyor, kanser,B C A → C → B C A C A B C C A B CABCA→C→BCACABCCABCkatran birikimidir. Katran sadece sigaradan gelebilir ve hem sigara hem de kanserle ilişkilidir. Bu nedenle, sigara içmek katran yoluyla kansere neden olur (bu etkiyi hafifleten başka nedensel yollar da olabilir).
Üçüncü yol ise arka kapı yöntemidir. Bunu göstermek istiyorum ve , çünkü bir "arka kapı", örneğin ortak bir amaç, yani, korelasyon göstermemektedir . Nedensel bir model üstlendiğinizden, kanıtların kadar aşağı akabileceği tüm yolları (bunlara değişkenleri gözlemleyerek ve koşullandırarak) engellemeniz yeterlidir . Bu yolları engellemek biraz zor, ancak Pearl bu yolları engellemek için hangi değişkenleri gözlemlemeniz gerektiğini bilmenizi sağlayan net bir algoritma sunuyor.B A ← D → B A BABA←D→BAB
gung, iyi randomizasyonda, kargaşanın önemli olmayacağı konusunda haklıdır. Varsayım nedenine (tedavi) müdahale etmenin yasak olduğu varsayıldığından, yaş veya böbrek taşı büyüklüğü gibi varsayımsal nedenler (tedavi) ve etki (sağkalım) arasındaki ortak bir nedenden dolayı karmakarışık olacaktır. Çözüm, arka kapıların tümünü engellemek için doğru ölçümleri yapmak. Daha fazla okumak için bakınız:
Pearl, Judea. "Ampirik araştırma için nedensel diyagramlar." Biometrika 82.4 (1995): 669-688.
Bunu probleminize uygulamak için, önce nedensel grafiği çizelim. Böbrek taşı boyutu (Tedavi önce gelen) ve tedavi türü başarısı, her iki nedenleridir . Eğer diğer doktorlar böbrek taşı büyüklüğüne göre tedavi atarlarsa, nedeni olabilir . Açıkçası , , ve arasında başka bir nedensel ilişki yoktur . , sonra gelir, bu yüzden sebebi olamaz. Benzer şekilde , ve sonra gelir .Y Z X Y X Y Z Y X Z X YXYZXYXYZYXZXY
Yana bir yaygın nedeni, bu ölçülmelidir. Değişkenlerin ve potansiyel nedensel ilişkilerin evrenini belirlemek deneyciye kalmıştır . Her deney için, deneyci gerekli "arka kapı değişkenlerini" ölçer ve daha sonra değişkenlerin her yapılandırması için tedavi başarısının marjinal olasılık dağılımını hesaplar. Yeni bir hasta için değişkenleri ölçtünüz ve marjinal dağılımla belirtilen tedaviyi takip ettiniz. Her şeyi ölçemiyorsanız veya çok fazla veriniz yoksa ancak ilişkilerin mimarisi hakkında bir şeyler biliyorsanız, ağda "inanç yayılımı" (Bayesian çıkarımı) yapabilirsiniz.X