我应该知道哪些因果理论?


16

作为应用统计学家/计量经济学家,我应该知道哪种因果关系理论方法?

我知道(一点点)

我想念或应该了解哪些概念?

相关:哪些理论是机器学习因果关系的基础?

我已阅读这些有趣的问题和答案(123),但我认为这是一个不同的问题。我很惊讶地发现,例如《统计学习要素》中没有提到“因果关系” 。


2
查阅安德鲁·盖尔曼(Andrew Gelman)对AJS因果关系方面几本著作的评论:Gelman,A.(2011)。因果关系和统计学习。美国社会学杂志,117(3),955-966。DOI:10.1086 / 662659。它是社会科学中因果关系的简短概述,其中特别提到了鲁宾和珀尔的作品以及其他一些作品。寻找参考的好地方。
paqmo '16

1
首先,(John Stuart)Mill的方法。en.wikipedia.org/wiki/Mill's_Methods
名词(

请参阅我在接受的答案下有关可能对格兰杰因果关系的误解的评论。
理查德·哈迪

Answers:


17

严格来说,“格兰杰因果关系”根本不是因果关系。关于预测能力/时间优先权,您想检查一个时间序列对预测另一个时间序列是否有用-它适用于诸如“通常A在B发生之前发生”或“知道A可以帮助我预测B将会发生,但并非相反”(即使考虑了有关B所有过去信息)。选择此名称非常不幸,这是造成一些误解的原因。

尽管原因必须在时间上先于事态几乎是没有争议的,但要想在时间上先于因果关系得出结论,您仍然需要声称没有混淆,以及其他虚假联系。

现在关于潜在结果(Neyman-Rubin)因果图/结构方程模型(Pearl),我想这是一个错误的难题,您应该两者都学习。

首先,必须注意,这些不是因果关系的对立观点。正如Pearl所说,关于(因果)推理任务有一个层次结构:

  1. 观察预测
  2. 干预下的预测
  3. 反事实

对于第一个任务,您只需要知道观察变量的联合分布即可。对于第二项任务,您需要了解关节分布和因果结构。对于反事实的最后一项任务,您将进一步需要一些有关结构方程模型的功能形式的信息。

因此,在谈论反事实时,两种观点之间存在形式上的对等。不同的是,可能的结果取反语句作为原语和在DAG的反事实似乎是作为衍生自结构方程。但是,您可能会问,如果它们是“等效的”,为什么还要花时间学习两者?因为表达和派生事物的“易用性”存在差异。

例如,尝试仅使用潜在结果来表达M-Bias的概念-我从未见过好的结果。实际上,到目前为止,我的经验是从未研究过图形的研究人员甚至都没有意识到这一点。同样,用图形语言来铸造模型的实质假设将使计算上更容易得出经验可检验的含义并回答可识别性问题。另一方面,有时人们会发现首先直接考虑反事实本身,然后将其与参数假设结合起来以回答非常具体的查询会更容易。

人们还有很多话要说,但是这里的重点是您应该学习如何“说两种语言”。作为参考,您可以在此处查看如何入门。


1
您能否提供一个简单的示例,以PO的形式表达,但不能以DAG的形式表达?
Guilherme Duarte,

@GuilhermeDuarte涉及嵌套反事实的调解数量
卡洛斯·

3
我认为您对格兰杰因果关系的观点(至少如此处所述)有点不精确。Granger因果意味着加入时的历史预测能力本身用于预测。因此,公鸡不会产生格兰杰起因,因为它们不会根据日出的历史数据来改善日出的预测。AGrangerBABB
理查德·哈迪

@RichardHardy我认为你是对的,也许一只总是在日出前一小时乌鸦的完美公鸡可能具有超出日出时间序列线性模型的预测能力(因为每天的日出时间并不完全相同),但是有了一个完美的模型它可能什么也没添加。
卡洛斯·辛纳利

我认为Granger因果关系建议不要使用仅具有B历史的劣等预测模型来证明需要附加变量A以及Granger因果关系。相反,理想情况下将使用自己的B历史来尽可能地建立一个更好的模型,然后查看添加A(以某种形式)是否有助于预测B。当然,“完美的公鸡”是一个乌托邦式的概念。鉴于此,我认为编辑答案以反映这一点可能是一个好主意。
理查德·哈迪
By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.