Jakie teorie przyczynowości powinienem wiedzieć?

Jakie teoretyczne podejścia do związku przyczynowego powinienem znać jako statystyczny / ekonometryczny?

Znam (trochę)

• Model przyczynowy Neyman – Rubin (i Roy , Haavelmo itp.)
• Praca Pearl o przyczynowości
• Przyczynowość Grangera (choć mniej zorientowana na leczenie)

Których koncepcji brakuje mi, czy powinienem być świadomy?

Powiązane: Które teorie są podstawą przyczynowości w uczeniu maszynowym?

Przeczytałem te interesujące pytania i odpowiedzi ( 1 , 2 , 3 ), ale myślę, że to inne pytanie. Byłem bardzo zaskoczony, widząc na przykład, że „przyczynowość” nie jest wspomniana w „ Elementy uczenia statystycznego” .

$B$

Chociaż niemal bezsporne jest, że przyczyna musi wyprzedzić swój skutek w czasie, aby wyciągnąć wnioski przyczynowe z pierwszeństwem czasu, nadal musisz twierdzić, że nie ma zamieszania wśród innych źródeł fałszywych skojarzeń.

Jeśli chodzi o potencjalne wyniki (Neyman-Rubin) w porównaniu do wykresów przyczynowych / modelowania równań strukturalnych (Pearl), powiedziałbym, że to fałszywy dylemat i powinieneś nauczyć się obu.

Po pierwsze, należy zauważyć, że nie są to przeciwne poglądy na temat związku przyczynowego . Jak ujął to Pearl, istnieje hierarchia dotycząca (wnioskowego) zadań wnioskowania:

1. Prognozy obserwacyjne
2. Prognozy pod nadzorem
3. Kontrfaktyczne

Do pierwszego zadania wystarczy znać wspólny rozkład obserwowanych zmiennych. W przypadku drugiego zadania musisz znać rozkład stawów i strukturę przyczynową. Do ostatniego zadania scenariuszy alternatywnych będziesz potrzebować więcej informacji na temat form funkcjonalnych modelu równania strukturalnego.

Mówiąc o scenariuszach alternatywnych, istnieje formalna równoważność obu perspektyw . Różnica polega na tym, że potencjalne wyniki przyjmują twierdzenia kontrfaktyczne jako prymitywy, a w DAG kontrfaktyczne wydają się pochodzić z równań strukturalnych. Możesz jednak zapytać, czy są one „równoważne”, po co zawracać sobie głowę uczeniem się obu? Ponieważ istnieją różnice pod względem „łatwości” wyrażania i czerpania rzeczy.

Na przykład, spróbuj wyrazić koncepcję M-stronniczości przy użyciu tylko potencjalnych wyników --- nigdy nie widziałem dobrego. Moje dotychczasowe doświadczenie jest takie, że badacze, którzy nigdy nie studiowali grafów, nawet o tym nie wiedzą. Ponadto przekazanie merytorycznych założeń modelu w języku graficznym ułatwi obliczeniowo wyprowadzenie jego empirycznych testowalnych implikacji i udzielenie odpowiedzi na pytania dotyczące identyfikowalności. Z drugiej strony czasami ludziom łatwiej będzie najpierw pomyśleć bezpośrednio o samych scenariuszach alternatywnych i połączyć to z parametrycznymi założeniami, aby odpowiedzieć na bardzo konkretne pytania.

Można powiedzieć o wiele więcej, ale chodzi o to, że powinieneś nauczyć się, jak „mówić w obu językach”. Aby uzyskać informacje, możesz sprawdzić, jak zacząć tutaj.