Sự khác biệt chính giữa khung nhân quả của Granger và Pearl là gì?

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

Nhân quả Granger về cơ bản là hữu ích để dự báo: X được nói với Granger - nguyên nhân Y nếu Y có thể dự đoán tốt hơn bằng cách sử dụng lịch sử của cả X và Y so với chỉ sử dụng lịch sử của Y. GC có rất ít liên quan đến quan hệ nhân quả theo nghĩa đối nghịch của Pearl, liên quan đến việc so sánh các quốc gia khác nhau trên thế giới có thể xảy ra. Vì vậy, Peeps Granger-gây ra lễ Phục sinh, nhưng họ không gây ra nó. Tất nhiên, cả hai sẽ chồng chéo trong một thế giới nơi không có nguyên nhân tiềm năng nào khác ngoài X, nhưng đó không phải là một thiết lập rất có thể và là một điều không thể kiểm chứng về cơ bản. Một cách khác ít hạn chế hơn mà chúng có thể trùng khớp là, nếu, có điều kiện dựa trên lịch sử đã nhận ra của Y và X, việc nhận ra tiếp theo của X là độc lập với kết quả tiềm năng.

Pearl cung cấp một tính toán cho lý luận về quan hệ nhân quả, Granger cung cấp một phương pháp để khám phá các mối quan hệ nhân quả tiềm năng. Tôi sẽ giải thích:

Công trình của Pearl dựa trên cái mà ông gọi là "Mô hình nguyên nhân cấu trúc", là bộ ba M = (U, V, F). Trong mô hình này, U là tập hợp các biến ngoại sinh (nền hoặc lái xe) không quan sát được, V là tập hợp các biến nội sinh (được xác định theo một cách nào đó bởi các biến từ U và V) và F là tập hợp các hàm F1, f2, ..., với mỗi Vi trong V. Biến Vi được xác định đầy đủ là Vi = fi (U, V \ Vi), đó là các đối số cho fi là một số biến trong U và một số biến trong V, nhưng bản thân Vi thì không. Để biến điều này thành một mô hình xác suất, U được tăng cường với phân phối xác suất. Một ví dụ được đưa ra trong đó U1 là lệnh của tòa án cho việc xử tử một người đàn ông, V là hành động của một đội trưởng (V1) và hai tay súng trường (V2, V3) trong một đội bắn cũng như trạng thái sống / chết của người mà lệnh của tòa án liên quan (V3). Nếu thẩm phán ra lệnh cho người đàn ông bắn (U1 = 'thi hành'), thì điều này khiến cho thuyền trưởng ra lệnh nổ súng, khiến các tay súng bắn chết tù nhân, và từ đó gây ra cái chết cho anh ta. Nếu lệnh của tòa án không được đưa ra, thuyền trưởng vẫn im lặng, các tay súng không bắn và tù nhân còn sống.

Pearl lập luận làm thế nào mô hình của ông có thể được sử dụng để lý giải về nguyên nhân, thí nghiệm thiết kế, dự đoán ảnh hưởng của can thiệp và trả lời các câu hỏi ngược thực tế. Can thiệp là khác biệt với bất cứ điều gì trong lý thuyết xác suất. Khi thực hiện can thiệp, chúng tôi tương tác với mô hình và giữ hằng số biến (điều này không chỉ đơn thuần là quan sát rằng biến đó ở trạng thái cụ thể, như với điều kiện xác suất) và Pearl mô tả cách "thực hiện phẫu thuật" trên mô hình để dự đoán kết quả của sự can thiệp này. Thực tế thậm chí còn khó trả lời hơn, vì chúng tôi muốn biết kết quả của một thí nghiệm có gì đó không phải là trường hợp, mặc dù nó là như vậy. Đây là những gì mô hình của Pearl là về.

Mặt khác, Granger Causality là một phương pháp thống kê và không cố gắng "chứng minh" quan hệ nhân quả. Nếu chúng ta có cả đống quá trình, chúng ta có thể sử dụng quan hệ nhân quả Granger để có được biểu đồ "quan hệ nhân quả chính đáng", có thể được hiểu là nguyên nhân có thể có thật hoặc để cung cấp các biện pháp liên kết với nhau hoặc phát hiện dòng năng lượng hoặc thông tin Trong số các quá trình. Trong trường hợp nhân quả theo nghĩa đen, bạn có thể tưởng tượng một tình huống trong đó các thí nghiệm (cần thiết cho các phương pháp của Pearl) rất tốn kém. Trong trường hợp đó, bạn có thể vẫn có thể quan sát hệ thống và áp dụng Nhân quả Granger để thu hẹp mọi thứ vào các nguyên nhân tiềm năng. Sau khi làm điều này, bạn có thể có một số ý nghĩa về nơi thích hợp các tài nguyên bổ sung.

Một câu hỏi xuất hiện ngay lập tức khi đọc về các mô hình nhân quả của Pearl là "làm thế nào để người ta xây dựng mô hình ở nơi đầu tiên?". Điều này sẽ được thực hiện thông qua sự kết hợp giữa chuyên môn về miền và giả thuyết, nhưng Granger-Causality có thể có khả năng cung cấp thêm một số thông tin về cách xây dựng mô hình nhân quả Pearl.

Vì tôi không có đủ danh tiếng để bình luận, tôi sẽ thêm vào đây một lời chỉ trích về câu trả lời của Dimitriy V. Masterov: Peeps không Granger-C gây ra lễ Phục sinh. Lễ Phục sinh diễn ra định kỳ, mặc dù sự xuất hiện của Peeps có mối tương quan chặt chẽ với Lễ Phục sinh, lịch sử về sự xuất hiện của Lễ Phục sinh là đủ để dự đoán sự xuất hiện trong tương lai. Thông tin về Peeps không thêm bất kỳ thông tin bổ sung nào về lễ Phục sinh. Tôi nghĩ rằng đây là một điểm mấu chốt: Granger-Nhân quả không chỉ là mối tương quan đơn thuần. Các quy trình có tương quan có thể không có bất kỳ mối quan hệ Granger-Nhân quả nào và các quy trình có mối quan hệ Granger-Nhân quả có thể không tương quan.