有向无环图中的边是否代表因果关系？

我正在学习概率图形模型，这是一本用于自学的书。有向无环图（DAG）中的边是否代表因果关系？

如果我想构建贝叶斯网络，但不确定箭头的方向怎么办？所有数据将告诉我观察到的相关性，而不是它们之间的相互联系。我知道我要问的太多了，因为我确信接下来的章节将解决这些问题，但这只是我不能停止思考的原因。

许多结构学习算法只能对竞争结构进行马尔可夫等效性评分，结果就不可能仅基于数据来学习贝叶斯网络（BN）的唯一DAG，这使因果关系假设成为可疑的。Spirtes等。将该问题称为“ 统计上的不可区分性 ”，并在其书中详细讨论。

我认为，DAG中的边缘应主要解释为概率依赖性，这也有助于洞悉因果关系。这与“因果”贝叶斯网络（包括朱迪亚·珀尔）的支持者的观点一致，他们主张由国阵代表的概率分布具有潜在的因果结构。

要注意的是，在此问题上不存在总体协议。但是我想我在上面分享的观点比较安全。

如果我很高兴地认为这种关系是因果关系的，那么我只会画一个有方向的优势。这个假设当然不能通过观察数据得到证实，但是通过将一组假设的因果关系形式化为DAG，我可以确定要调整哪些变量以对图中的给定关系做出最佳的因果推断。从我的角度来看，如果DAG为true（如果特别大，尤其是酰基位），则观察到的变量之间的关系应采用某种方式。但是它仍然是一个完全的抽象，如果您添加不反映假设的因果关系的箭头，我看不到该抽象的价值。

是的，DAG中的边缘代表因果关系。认为从云的边缘，这意味着 “起因”。A $A\rightarrow B$$A$$B$

同样，仅给出数据就不可能构造唯一的贝叶斯网络，因为不同的概念可能导致构造不同的图。

可在此处找到学习更多有关此内容的良好资源。

正如朱巴布所说，在这个问题上没有达成共识。因此，我将提出另一个尚未涉及的观点。对于因果DAG，通常认为因果结构是通过缺少箭头来编码的。在此框架下，箭头可能不是因果关系，但必须坚信或知道缺失的箭头不是因果关系。这可能不适用于贝叶斯网络，但是由于您是从更广泛的角度开始问题的，所以我认为这是值得注意的。

同样，如果您想学习网络，它也无法告诉您箭头的方向，因为关联会沿着箭头双向流动。您必须对方向性做出一些假设，或对时间顺序施加一些信息。