在问题中,您声明自己不知道什么是“因果贝叶斯网络”和“后门测试”。
假设您有一个因果的贝叶斯网络。也就是说,有向无环图的节点表示命题,而有向边表示潜在的因果关系。您的每个假设可能都有许多这样的网络。关于边的强度或存在性,可以通过三种方式提出令人信服的论据。→ B。A →?乙
最简单的方法是干预。当其他人说“适当的随机化”将解决此问题时,这就是其他答案的暗示。您随机强迫有不同的价值观和你衡量乙。如果可以做到,就可以完成,但是不能总是这样做。在您的示例中,为人们提供对致命疾病的无效治疗可能不道德,或者他们在治疗中有发言权,例如,当肾结石较小且痛苦较小时,他们可能选择不太苛刻的治疗(治疗B)。一种乙
第二种方法是前门方法。您想证明通过C作用于B,即A → C → B。如果您假设C可能是由A引起的,但没有其他原因,并且可以测量C与A相关,并且B与C相关,那么您可以得出结论,肯定是有证据通过C流动。原始示例: A是吸烟,B是癌症,C一种乙CA → C→ BC一种C一种乙CC一种乙C是焦油积累。焦油只能来自吸烟,它与吸烟和癌症相关。因此,吸烟会通过焦油引起癌症(尽管可能存在其他减轻这种影响的因果关系)。
第三种方法是后门方法。您想证明由于“后门”,例如常见原因,即A ← D → B,和B不相关。既然你已经承担了因果模型,你只需要(通过观察这些变量和调节),以阻止所有路径的证据可以从流量可达一和向下乙。阻止这些路径有些棘手,但是Pearl提供了一种清晰的算法,可以让您知道要观察哪些变量才能阻止这些路径。一种乙A ← D → B一种乙
gung是正确的,有了良好的随机性,混杂因素将无关紧要。因为我们假设不允许干预假设的原因(治疗),所以假设的原因(治疗)和效果(生存)之间的任何常见原因(例如年龄或肾结石大小)都是混杂因素。解决方案是进行正确的测量以阻塞所有后门。有关更多阅读,请参阅:
珍珠,犹太。“用于实证研究的因果图。” Biometrika 82.4(1995):669-688。
要将其应用于您的问题,让我们首先绘制因果图。(在治疗之前)肾结石大小和治疗类型Y都是成功Z的原因。 如果其他医生根据肾结石大小分配治疗,则X可能是Y的原因。显然,X,Y和Z之间没有其他因果关系。 Y排在X之后,因此它不是其原因。同样,Z在X和Y之后。XÿžXÿXÿžÿXžXÿ
由于是常见原因,因此应进行测量。 由实验者确定变量和潜在因果关系的范围。对于每个实验,实验人员都会测量必要的“后门变量”,然后针对每种变量配置计算治疗成功的边际概率分布。对于新患者,您需要测量变量并遵循边缘分布所指示的治疗方法。如果您无法测量所有内容,或者您没有大量数据,但是对关系的架构有所了解,则可以在网络上进行“置信传播”(贝叶斯推断)。X