어떤 인과성 이론을 알아야합니까?

응용 통계 학자 / 경제학자로 인과 관계에 대한 이론적 접근법은 무엇입니까?

나는 (아주 조금) 알고있다

어떤 개념을 놓치거나 알고 있어야합니까?

관련 : 머신 러닝에서 인과 관계의 기초가되는 이론은 무엇입니까?

나는이 흥미로운 질문들과 답을 읽었 지만 ( 1 , 2 , 3 ) 다른 질문이라고 생각합니다. 그리고 예를 들어 "인과 관계" 는 통계 학습의 요소 에서 언급되지 않은 것을보고 매우 놀랐습니다 .

Andrew Gelman의 AJS : Gelman, A. (2011)의 인과 관계에 대한 여러 작품에 대한 검토를 확인하십시오 . 인과성 및 통계 학습. 미국 사회학 저널, 117 (3), 955-966. doi : 10.1086 / 662659 . 그것은 루빈과 진주의 작품뿐만 아니라 다른 것들에 대한 구체적인 언급과 함께 사회 과학의 인과 관계에 대한 짧은 개요입니다. 참고 문헌을 수색하기에 좋은 장소.

— paqmo

우선, (John Stuart) Mill의 방법. en.wikipedia.org/wiki/Mill's_Methods

— noumenal

Granger 인과 관계에 대한 잘못된 해석과 관련하여 허용되는 답변 아래 내 의견을 참조하십시오.

— Richard Hardy

$B$

원인이 제 시간에 그 효과보다 우선해야한다는 것은 논란의 여지가 없지만 시간 우선 순위로 인과 적 결론을 내리려면 다른 가짜 관계 소스 중에서도 혼란이 없다고 주장해야합니다.

잠재적 결과 (Neyman-Rubin) 와 인과 관계 그래프 / 구조 방정식 모델링 (진주)에 대해서는 이것이 잘못된 딜레마라고 말하고 두 가지를 모두 배워야합니다.

첫째, 이것이 인과성에 대한 반대 의견이 아님 을 주목하는 것이 중요합니다 . Pearl이 말한 것처럼 (인과 적) 추론 작업에 대한 계층 구조가 있습니다.

관측 예측
중재 중 예측
반상

첫 번째 작업의 경우 관측 변수의 공동 분포 만 알고 있으면됩니다. 두 번째 작업에서는 관절 분포와 인과 구조를 알아야합니다. 마지막 작업, 반 상식의 경우 구조 방정식 모델의 기능적 형태에 대한 정보가 추가로 필요합니다.

따라서 반 상식에 대해 이야기 할 때 두 관점 사이에는 공식적인 동등성이 있습니다 . 차이점은 잠재적 인 결과는 사실과는 반대되는 진술을 취하고 DAG에서는 반대의 사실 은 구조 방정식에서 도출 된 것처럼 보인다는 것 입니다. 그러나 그들이 "동등한"것인지 물어 보면 왜 둘 다 배우는 것이 귀찮습니까? 사물을 표현하고 이끌어내는 "쉬움"의 관점에서 차이가 있기 때문입니다.

예를 들어, 잠재적 결과 만 사용하여 M-Bias . 사실, 지금까지의 경험은 그래프를 전혀 연구하지 않은 연구자들도 그것을 알지 못한다는 것입니다. 또한 모델의 실질적인 가정을 그래픽 언어로 캐스팅하면 경험적으로 테스트 가능한 의미를 도출하고 식별 가능성에 대한 질문에 답하는 것이 계산적으로 더 쉬워집니다. 다른 한편으로, 사람들은 때때로 반 사실 자체에 대해 직접 생각하기가 더 쉬운 것을 발견하고이를 파라 메트릭 가정과 결합하여 매우 구체적인 쿼리에 응답합니다.

더 많은 것을 말할 수 있지만 여기서 중요한 것은 "두 언어를 구사하는"방법을 배워야한다는 것입니다. 참조를 들어, 여기 시작하는 방법 당신은 확인할 수 있습니다.

— 카를로스시 넬리
소스

PO로 표현하기 쉽지만 DAG에서는 표현할 수없는 것의 예를 제공 할 수 있습니까?

— Guilherme Duarte

@GuilhermeDuarte 조정 수량 예를 들어 중첩 된 반 사실

— Carlos Cinelli

Granger 인과 관계에 대한 귀하의 견해 (적어도 여기에 설명되어 있음)는 약간 부정확하다고 생각합니다. 그레인저 인과성

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

$A\xrightarrow{Granger} B$ 그 의미

A

$A$ 의 역사는 예측력 을 추가했다

B

$B$ 자체는 예측에 사용됩니다

B

$B$ . 따라서 수탉은 일출에 대한 과거 데이터를 기반으로 일출 예측을 개선하지 않기 때문에 Granger- 원인 일출을 일으키지 않습니다.

— Richard Hardy

@RichardHardy 나는 당신이 옳다고 생각합니다. 아마도 일출 1 시간 전에 항상 까마귀가 울리는 완벽한 수탉은 일출 시계열의 선형 모델 (일출이 정확히 동일하지 않기 때문에)을 넘어선 예측력을 가질 수 있지만 완벽한 모델입니다. 아마 아무것도 추가하지 않습니다.

— 카를로스시 넬리

Granger 인과 관계는 변수 B가 더 필요하고 따라서 Granger 인과 관계를 정당화하기 위해 B 히스토리 만있는 열등한 예측 모델을 사용하는 것을 제안하지 않는다고 생각합니다. 오히려, B의 자신의 이력을 사용하여 가능한 한 좋은 모델을 목표로 삼은 다음 A를 (일부 형태로) 추가하는 것이 B를 예측하는 데 도움이되는지 확인하십시오. 물론 "완벽한 수탉"은 다소 유토피아적인 개념입니다. 이것을 감안할 때, 이것을 반영하기 위해 답을 편집하는 것이 좋습니다.

— Richard Hardy