Trong câu hỏi của bạn, bạn nói rằng bạn không biết "mạng Bayes nhân quả" và "kiểm tra cửa sau" là gì.
Giả sử bạn có một mạng lưới Bayes nhân quả. Đó là, một đồ thị chu kỳ có hướng có các nút đại diện cho các mệnh đề và các cạnh có hướng đại diện cho các mối quan hệ nhân quả tiềm năng. Bạn có thể có nhiều mạng như vậy cho mỗi giả thuyết của bạn. Có ba cách để tạo ra một luận cứ thuyết phục về sức mạnh hay sự tồn tại của một cạnh .A →?B
Cách dễ nhất là can thiệp. Đây là những gì các câu trả lời khác đang gợi ý khi họ nói rằng "ngẫu nhiên thích hợp" sẽ khắc phục vấn đề. Bạn buộc ngẫu nhiên có giá trị khác nhau và bạn đo . Nếu bạn có thể làm điều đó, bạn đã hoàn thành, nhưng bạn không thể luôn làm điều đó. Trong ví dụ của bạn, có thể là không hợp lý khi cung cấp cho mọi người phương pháp điều trị không hiệu quả đối với các bệnh chết người, hoặc họ có thể có một số tiếng nói trong điều trị của họ, ví dụ, họ có thể chọn cách khắc nghiệt (điều trị B) ít hơn khi sỏi thận của họ nhỏ và ít đau hơn.MộtB
Cách thứ hai là phương pháp cửa trước. Bạn muốn thể hiện rằng hoạt động trên qua , tức là . Nếu bạn cho rằng là có khả năng gây ra bởi nhưng không có các nguyên nhân khác, và bạn có thể đo rằng là tương quan với , và là tương quan với , sau đó bạn có thể kết luận bằng chứng phải được chảy qua . Ví dụ ban đầu: đang hút thuốc, là ung thư,MộtBCA → C→ BCMộtCMộtBCCMộtBClà sự tích lũy tar. Tar chỉ có thể đến từ việc hút thuốc, và nó có liên quan đến cả hút thuốc và ung thư. Do đó, hút thuốc gây ung thư thông qua tar (mặc dù có thể có những con đường nguyên nhân khác làm giảm tác dụng này).
Cách thứ ba là phương pháp cửa sau. Bạn muốn chứng tỏ rằng và không liên quan vì một "cửa sau", ví dụ như nguyên nhân phổ biến, ví dụ, . Vì bạn đã giả định một mô hình nhân quả, bạn chỉ cần để chặn tất cả các đường dẫn (bằng cách quan sát các biến và điều hòa trên chúng) bằng chứng cho thấy có thể chảy từ và xuống để . Có một chút khó khăn để chặn các đường dẫn này, nhưng Pearl đưa ra một thuật toán rõ ràng cho phép bạn biết những biến nào bạn phải quan sát để chặn các đường dẫn này.ABA←D→BAB
gung nói đúng rằng với sự ngẫu nhiên tốt, các yếu tố gây nhiễu sẽ không thành vấn đề. Vì chúng tôi cho rằng việc can thiệp vào nguyên nhân giả định (điều trị) là không được phép, nên bất kỳ nguyên nhân phổ biến nào giữa nguyên nhân giả thuyết (điều trị) và ảnh hưởng (sống sót), như tuổi tác hoặc kích thước sỏi thận sẽ là một yếu tố gây nhiễu. Giải pháp là thực hiện các phép đo phù hợp để chặn tất cả các cửa sau. Để đọc thêm xem:
Ngọc trai, Giuđê. "Sơ đồ nhân quả cho nghiên cứu thực nghiệm." Biometrika 82.4 (1995): 669-688.
Để áp dụng điều này cho vấn đề của bạn, trước tiên chúng ta hãy vẽ biểu đồ nhân quả. (Điều trị-trước) kích thước sỏi thận và loại điều trị đều nguyên nhân của sự thành công . có thể là một nguyên nhân của nếu các bác sĩ khác đang chỉ định điều trị dựa trên kích thước sỏi thận. Rõ ràng không có mối quan hệ nhân quả khác giữa , , và . đến sau nên nó không thể là nguyên nhân của nó. Tương tự đưa ra sau khi và .XYZXYXYZYXZXY
Vì là một nguyên nhân phổ biến, nên cần đo. Tùy thuộc vào người thí nghiệm để xác định vũ trụ của các biến và mối quan hệ nhân quả tiềm năng . Đối với mọi thử nghiệm, người thử nghiệm đo "các biến số cửa sau" cần thiết và sau đó tính toán phân phối xác suất cận biên của thành công điều trị cho từng cấu hình của các biến. Đối với một bệnh nhân mới, bạn đo các biến và theo dõi điều trị được chỉ định bởi phân phối biên. Nếu bạn không thể đo lường mọi thứ hoặc bạn không có nhiều dữ liệu nhưng biết điều gì đó về kiến trúc của các mối quan hệ, bạn có thể thực hiện "truyền bá niềm tin" (suy luận Bayes) trên mạng.X