Gần đây, tôi đã xem qua một số bài báo và tài nguyên trực tuyến có đề cập đến quan hệ nhân quả Granger . Duyệt nhanh qua bài viết Wikipedia tương ứng để lại cho tôi ấn tượng rằng thuật ngữ này đề cập đến quan hệ nhân quả trong bối cảnh của chuỗi thời gian (hay nói chung hơn là các quá trình ngẫu nhiên ). Hơn nữa, đọc bài đăng blog tốt đẹp này tạo ra một sự nhầm lẫn bổ sung trong cách xem phương pháp này.
Tôi không có nghĩa là một người am hiểu về quan hệ nhân quả, vì sự hiểu biết mờ nhạt của tôi về khái niệm này bao gồm một phần ý thức chung , kiến thức phổ biến , một số tiếp xúc với mô hình biến số tiềm ẩn và mô hình phương trình cấu trúc (SEM) và đọc một chút từ công trình của Judea Pearl quan hệ nhân quả - không phải là cuốn sách của ông, mà nhiều hơn trong các bài viết tổng quan thú vị của Pearl (2009), vì một lý do nào đó, đáng ngạc nhiên, không đề cập đến nhân quả Granger.
Trong bối cảnh này, tôi tự hỏi liệu nhân quả Granger có phải là một cái gì đó tổng quát hơn khung thời gian (ngẫu nhiên) hay không, và nếu vậy, mối quan hệ của nó (điểm chung và sự khác biệt) với khung nhân quả của Pearl , dựa trên mô hình nhân quả cấu trúc ( dựa trên mô hình nhân quả cấu trúc ( dựa trên mô hình nhân quả cấu trúc () SCM) , theo như tôi hiểu, lần lượt, dựa trên các biểu đồ chu kỳ trực tiếp (DAG) và phản tác dụng . Dường như quan hệ nhân quả Granger có thể được phân loại là một cách tiếp cận chung cho suy luận nguyên nhân cho các hệ thống động , xem xét sự tồn tại của mô hình nhân quả động (DCM)cách tiếp cận (Chicharro & Panzeri, 2014). Tuy nhiên, mối quan tâm của tôi là về việc liệu (và, nếu vậy, làm thế nào) có thể so sánh hai phương pháp, một trong số đó dựa trên phân tích quá trình ngẫu nhiên và phương pháp khác thì không.
Tổng quát hơn, bạn nghĩ điều gì sẽ là một cách tiếp cận cấp cao hợp lý - nếu có thể - để xem xét tất cả các lý thuyết nhân quả hiện có trong một khuôn khổ nhân quả toàn diện duy nhất (như các quan điểm khác nhau )? Câu hỏi này phần lớn được kích hoạt bởi nỗ lực của tôi để đọc một bài báo xuất sắc và toàn diện của Chicharro và Panzeri (2014) cũng như xem xét một khóa học suy luận nguyên nhân thú vị tại Đại học California, Berkeley (Petersen & Balzer, 2014).
Tài liệu tham khảo
Chicharro, D., & Panzeri, S. (2014). Các thuật toán suy luận nguyên nhân để phân tích kết nối hiệu quả giữa các vùng não. Biên giới trong Tin học thần kinh, 8 (64). doi: 10.3389 / fninf.2014.00064 Lấy từ http://journal.frontiersin.org/article/10.3389/fninf.2014.00064/pdf
Ngọc trai, J. (2009). Suy luận nhân quả trong thống kê: Tổng quan. Khảo sát thống kê, 3 , 96 Từ146. doi: 10.1214 / 09-SS057 Lấy từ http://projecteuclid.org/doad/pdfview_1/euclid.ssu/1255440554
Petersen, M., & Balzer, L. (2014). Giới thiệu về suy luận nhân quả. Đại học California, Berkeley. [Trang web] Lấy từ http://www.ucbbiostat.com