Những lý thuyết nhân quả nào tôi nên biết?

Những cách tiếp cận lý thuyết nào về quan hệ nhân quả mà tôi nên biết với tư cách là một nhà thống kê / kinh tế lượng học ứng dụng?

Tôi biết (một chút ít)

• Mô hình nhân quả Neyman, Rubin (và Roy , Haavelmo , v.v.)
• Công việc của Pearl về nhân quả
• Nhân quả Granger (mặc dù ít điều trị theo định hướng)

Những khái niệm nào tôi bỏ lỡ hoặc tôi nên nhận thức về?

Liên quan: Những lý thuyết nào là nền tảng cho quan hệ nhân quả trong học máy?

Tôi đã đọc những câu hỏi thú vị này và câu trả lời ( 1 , 2 , 3 ) nhưng tôi nghĩ đó là một câu hỏi khác. Và tôi đã rất ngạc nhiên khi thấy rằng "nhân quả", chẳng hạn, không được đề cập trong Các yếu tố của học thống kê .

$B$

Mặc dù gần như không có gì phải bàn cãi rằng một nguyên nhân phải đi trước tác dụng của nó kịp thời, để đưa ra kết luận nguyên nhân theo thời gian trước đó, bạn vẫn cần phải tuyên bố không có sự nhầm lẫn, trong số các nguồn liên kết giả khác.

Bây giờ liên quan đến các kết quả tiềm năng (Neyman-Rubin) so với đồ thị nhân quả / Mô hình phương trình cấu trúc (Pearl), tôi sẽ nói rằng đây là một vấn đề nan giải giả và bạn nên tìm hiểu cả hai.

Đầu tiên, điều quan trọng cần lưu ý là đây không phải là những quan điểm trái ngược về quan hệ nhân quả . Như Pearl nói, có một hệ thống phân cấp liên quan đến các nhiệm vụ suy luận (nhân quả):

1. Dự đoán quan sát
2. Dự đoán dưới sự can thiệp
3. Phản tác dụng

Đối với nhiệm vụ đầu tiên, bạn chỉ cần biết phân phối chung của các biến quan sát. Đối với nhiệm vụ thứ hai, bạn cần biết phân phối chung và cấu trúc nhân quả. Đối với nhiệm vụ cuối cùng, đối với các tác dụng phụ, bạn sẽ cần thêm một số thông tin về các dạng chức năng của mô hình phương trình cấu trúc của bạn.

Vì vậy, khi nói về các tác dụng phụ, có sự tương đương chính thức giữa cả hai quan điểm . Sự khác biệt là các kết quả tiềm năng có các tuyên bố phản tác dụng là nguyên thủy và trong các DAG phản tác dụng dường như xuất phát từ các phương trình cấu trúc. Tuy nhiên, bạn có thể hỏi, nếu chúng "tương đương", tại sao phải học cả hai? Bởi vì có sự khác biệt về "tính dễ dàng" để diễn đạt và rút ra mọi thứ.

Ví dụ: cố gắng diễn đạt khái niệm về M-Bias chỉ bằng các kết quả tiềm năng --- Tôi chưa bao giờ thấy một kết quả tốt. Trên thực tế, kinh nghiệm của tôi cho đến nay là các nhà nghiên cứu chưa bao giờ nghiên cứu đồ thị thậm chí không biết về nó. Ngoài ra, việc đưa ra các giả định thực tế của mô hình của bạn bằng ngôn ngữ đồ họa sẽ giúp việc tính toán có thể kiểm tra theo kinh nghiệm của nó dễ dàng hơn và trả lời các câu hỏi về nhận dạng. Mặt khác, đôi khi mọi người sẽ thấy dễ dàng hơn khi lần đầu tiên nghĩ trực tiếp về chính các phản ứng và kết hợp điều này với các giả định tham số để trả lời các truy vấn rất cụ thể.

Có nhiều điều người ta có thể nói, nhưng vấn đề ở đây là bạn nên học cách "nói cả hai ngôn ngữ". Để tham khảo, bạn có thể kiểm tra làm thế nào để bắt đầu ở đây.