Granger和Pearl的因果关系框架之间的主要区别是什么？

最近，我浏览了几篇有关格兰杰因果关系的论文和在线资源。简短浏览相应的Wikipedia文章给我的印象是，该术语指的是时间序列（或更普遍地说，是随机过程）的因果关系。此外，阅读这篇不错的博客文章在如何看待这种方法上造成了另外的困惑。

我对因果关系一无所知，因为我对该概念的模糊理解包括部分常识，常识，对潜在变量建模和结构方程模型（SEM）的一些了解，以及从Judea Pearl在因果关系-不是他的书，而是更多地根据Pearl（2009）的一篇有趣的综述论文，出于某种原因，令人惊讶的是，它根本没有提到格兰杰因果关系。

在这种情况下，我想知道格兰杰因果关系是否比时间序列（随机）框架更笼统，如果基于结构因果模型，它是否与Pearl的因果关系有什么关系（共性和差异）（据我了解，SCM反过来又是基于直接无环图（DAG）和反事实。看来，格兰杰因果关系可以归类为一个通用的方法，以因果推理的动态系统，考虑存在动态因果模型（DCM）方法（Chicharro＆Panzeri，2014）。但是，我担心的是，是否可以（如果可以，如何）比较这两种方法，其中一种是基于随机过程分析的，而另一种则不是。

更笼统地说，您认为在单个综合因果关系框架内（作为不同观点）考虑所有当前存在的因果关系理论的明智的高级方法（如果可能的话）？这个问题在很大程度上是由于我试图阅读Chicharro和Panzeri（2014）的一篇出色而全面的论文，并且回顾了加州大学伯克利分校的一个有趣的因果推理课程（Petersen＆Balzer，2014）。

参考文献

Chicharro，D.，＆Panzeri，S.（2014年）。因果推理算法，用于分析大脑区域之间的有效连通性。《神经信息学前沿》（8）（64）。doi：10.3389 / fninf.2014.00064取自http://journal.frontiersin.org/article/10.3389/fninf.2014.00064/pdf

Pearl，J.（2009年）。统计中的因果推断：概述。统计调查，3，96-146。doi：10.1214 / 09-SS057取自http://projecteuclid.org/download/pdfview_1/euclid.ssu/1255440554

Petersen，M.和Balzer，L.（2014年）。因果推理简介。加州大学伯克利分校。[网站]取自http://www.ucbbiostat.com

格兰杰因果关系从本质上讲是有用的预测：如果使用X和Y的历史记录比单独使用Y的历史记录可以更好地预测Y，则将X表示为Granger原因Y。在Pearl的反事实意义上，GC与因果关系几乎没有，因果关系涉及比较可能发生的世界不同状态。因此，Peeps Granger会导致复活节，但不会造成复活节。当然，在X之外没有其他潜在原因的世界中，两者将重叠，但这不是很可能的情况，而且从根本上讲是无法检验的。它们可以重合的另一种较少限制的方式是，如果以Y和X的已实现历史为条件，则X的下一个实现与潜在结果无关。

Pearl提供了因果关系推理的演算，Granger提供了发现潜在因果关系的方法。我会详细说明：

Pearl的工作基于他所谓的“结构因果模型”，即三重M =（U，V，F）。在该模型中，U是外生（背景或行驶）未观察变量的集合，V是内生（由U和V的变量以某种方式确定）变量的集合，F是函数f1，f2， ...，对于V中的每个Vi。变量Vi完全确定为Vi = fi（U，V \ Vi），即fi的参数是U中的某些变量，而V中的某些变量，但Vi本身不行。为了将其转换为概率模型，对U进行概率分布扩充。举一个例子，其中U1是一个男人处决的法院命令，V是队长（V1）和两个步枪手（V2，V3），以及法院命令所属人员的生死状态（V3）。如果法官下令对男子开枪（U1 =“执行”），那么这将导致机长下达射击命令，这导致步枪手射击囚犯，从而导致其死亡。如果未下达法院命令，则船长保持沉默，步枪手不射击，囚犯还活着。

珀尔（Pearl）提出如何使用他的模型来推理因果关系，设计实验，预测干预效果以及回答反事实问题。干预与概率论中的任何事物都不相同。在进行干预时，我们与模型进行交互并持有一个变量常数（这不仅仅是观察变量是否处于特定状态（如概率条件）），Pearl描述了如何对模型“进行手术”以预测此干预的结果。反事实甚至更难以回答，因为我们想知道，即使事实并非如此，实验的结果将是什么。这就是Pearl的模特。

另一方面，格兰杰因果关系是一种统计方法，没有尝试“证明”因果关系。如果我们有一系列流程，则可以使用格兰杰因果关系获得“可能因果关系”图，该图可能被解释为潜在的真正原因，或者提供其相互联系的度量，或者检测能量或信息流在过程中。在字面因果关系的情况下，您可以想象一种情况（实验（Pearl方法必需））非常昂贵。在这种情况下，您仍然可以观察系统并应用格兰杰因果关系将问题缩小到潜在原因。完成此操作后，您可以对在何处分配其他资源有所了解。

在阅读有关Pearl的因果模型时，立即想到的一个问题是“一个人如何首先构建模型？”。这可以通过领域专业知识和假设相结合来完成，但是Granger因果关系还可能提供有关如何构造Pearl因果关系模型的更多信息。

由于我没有足够的声誉来发表评论，因此我将在这里添加对Dimitriy V. Masterov的批评：Peeps不会引起Granger-Cause复活节。尽管偷窥事件的发生与复活节的发生密切相关，但复活节是周期性发生的，但复活节的发生历史足以预测其未来的发生。关于Peeps的信息不会添加有关Easter的任何其他信息。我认为这是关键点：格兰杰因果关系不只是相关性。关联的流程可能没有任何格兰杰因果关系，而具有格兰杰因果关系的流程可能不关联。