Bireysel çalışma kitabı olan Olasılıksal Grafik Modelleri okuyorum . Yönlendirilmiş bir asiklik grafikteki (DAG) kenarlar nedensel ilişkileri temsil ediyor mu?
Bir Bayes ağı kurmak istiyorsam , ancak içindeki okların yönünden emin değilsem ne olur? Bana söyleyecek olan tüm veriler, aralarındaki bağlantı değil gözlemlenen korelasyonlardır. Çok fazla şey istediğimi biliyorum, çünkü aşağıdaki bölümlerin bu sorunları ele alacağından eminim, ama sadece düşünmeyi bırakamıyorum.
Yanıtlar:
Birçok yapı öğrenme algoritması, rakip yapıları sadece Markov denkliklerine kadar puanlayabilir ve sonuç olarak, nedensellik hipotezini sorgulanabilir hale getiren sadece verilere dayanan bir Bayes Ağı (BN) için benzersiz bir DAG öğrenmek imkansızdır. Spirtes ve diğ. bu sayıyı kitaplarında uzun süre tartışarak “ istatistiksel ayırt edilemezlik ” olarak adlandırmaktadır .
DAG'daki kenarların temel olarak nedensel ilişkilere bakış açısı sağlayan olasılıksal bağımlılıklar olarak yorumlanması gerektiği görüşündeyim. Bu, bir BN tarafından temsil edilen olasılık dağılımının altında yatan bir nedensel yapıya sahip olduğunu savunan 'nedensel' Bayes Ağları'nın (Judea Pearl dahil) taraftarlarının bakış açısına uygundur.
Eve götürülecek mesaj, bu konuda kapsamlı bir anlaşma mevcut değildir. Ama sanırım yukarıda paylaştığım bakış açısı daha güvenli.
Sadece ilişkinin nedensel olduğunu varsaymaktan mutluluk duyuyorsam , yönlendirilmiş bir yön çiziyorum . Bu varsayım elbette gözlemsel verilerle doğrulanamaz, ancak bir dizi varsayımsal nedensel ilişkiyi bir DAG olarak resmileştirerek, grafikte belirli bir ilişki hakkında olası en iyi nedensel çıkarımlar yapmak için hangi değişkenlerin ayarlanacağını belirleyebilirim. Benim açımdan, eğer DAG doğruysa (özellikle asiklik bit büyükse), değişkenler arasında gözlemlenen ilişkiler belirli bir şekilde görünmelidir; ama yine de tam bir kırılmadır ve varsayılmış nedensel ilişkileri yansıtmayan oklar eklerseniz bu soyutlamanın değerini görmüyorum.
Ayrıca, farklı veriler farklı grafiklerin oluşturulmasına yol açabileceğinden, sadece veriler göz önüne alındığında, benzersiz bir Bayes ağı oluşturmak imkansızdır.
Bununla ilgili daha fazla bilgi edinmek için iyi bir kaynak burada bulunabilir .
Zhubarb'ın dediği gibi, bu konuda kapsayıcı bir anlaşma yoktur. Bu yüzden henüz ele alınmamış bir perspektife daha atıyorum. Nedensel DAG'lar için, nedensel yapının genellikle okların yokluğu ile kodlandığı düşünülmektedir . Bu çerçevede, oklar nedensel olabilir veya olmayabilir, ancak eksik okların güçlü olduğuna inanılmalı veya nedensel olmadığı bilinmelidir. Bu, Bayes Ağları için yaygın olarak geçerli olmayabilir, ancak sorunuzu daha genel olarak başlattığınızdan, kayda değer olduğunu düşünüyorum.
Ayrıca, bir ağ öğrenmek istiyorsanız, size okların yönünü söyleyemez, çünkü ilişkilendirme her iki yönde de oklar boyunca akar. Yönlülük hakkında bazı varsayımlar yapmalı veya zamansal sıralama hakkında bilgi vermelisiniz.