Questions tagged «causality»

因果关系。

9
没有因果关系，关联何时可用？
许多统计学家的口头禅是“关联并不意味着因果关系”。这确实是正确的，但是在这里确实暗示了一件事，即关联几乎没有价值。这是真的？知道两个变量相关是否有用吗？ 我无法想象是这样。我对预测分析并不十分熟悉，但似乎如果X是的预测因子Y，则无论因果关系如何，它对于预测Y基于的未来值都会很有用X。 我看到相关值不正确吗？如果不是，在什么情况下统计学家或数据科学家可能会使用因果关系而没有因果关系？
5
从统计学的角度来看，能否通过观察性研究使用倾向评分来推断因果关系？
问题：从统计学家（或从业者）的角度来看，可以通过观察研究（而非实验）使用倾向评分来推断因果关系吗？ 拜托，不要发动火焰战争或狂热的辩论。 背景：在统计博士计划中，我们仅通过工作组和一些主题会议来探讨因果关系。但是，其他部门（例如HDFS，社会学）中有一些非常杰出的研究人员正在积极使用它们。 我已经目睹了关于此问题的一些激烈辩论。我的目的不是在这里开始。也就是说，您遇到了哪些参考资料？你有什么观点？例如，我听说过有人反对将倾向得分作为一种因果推理技术，这是由于忽略了变量偏差而无法推断因果关系的原因-如果遗漏了一些重要内容，则会打破因果关系链。这是一个无法解决的问题吗？ 免责声明：这个问题可能没有正确的答案-单击cw会很酷，但是我个人对响应非常感兴趣，并希望获得一些很好的参考，其中包括实际示例。
5
因果分析简介
什么是介绍因果分析的好书？我正在考虑一个介绍，它既可以解释因果分析的原理，又可以说明如何使用不同的统计方法来应用这些原理。
2
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
4
相关性和因果关系在何种程度上与Google相关？
语境 这个站点上一个普遍的问题是“ 什么是常见的统计罪过？ ”。提到的罪过之一是假设“相关暗示因果关系...” 链接 然后，在带有5个投票的评论中，建议：“ Google每年可赚取$ 65B，而无需关心差异。” 冒着过度分析轻巧内容的风险，我认为这可能是有益的讨论点，可以充实相关性和因果关系之间的区别以及该区别的实际相关性。也许可以突显有关机器学习之间的关系以及相关性与因果关系之间的区别的一些信息。 我假设此评论所针对的技术是生成搜索引擎结果和与广告展示相关的技术的基础。 题 相关性和因果关系在多大程度上与Google的创收相关，也许特别关注通过广告展示相关技术和高质量搜索结果来创收？
2
是否使用结构方程模型分析心理学中的观察研究
我注意到这个问题在统计咨询设置中经常出现，我很想知道您的想法。 语境 我经常与进行研究的研究学生交谈，大致如下： 观察研究 样本大小可能是100、200、300等。 已经测量了多种心理量表（例如，焦虑，抑郁，性格，态度，其他临床量表，可能是智力等）。 研究人员已经阅读了相关文献，并对可能的因果关系有一些想法。通常，将变量一般概念化为前因，过程变量和结果变量。他们还经常听到结构方程建模更适合测试他们正在研究的变量集之间关系的整体模型。 题 您认为在什么条件下结构方程建模是分析此类研究的合适技术？ 如果您不建议结构方程建模，您会推荐哪些替代技术？ 对于考虑在这种情况下使用结构方程建模的研究人员，您将提供什么建议？
4
相关与因果关系
在Wikipedia页面上标题为“ 相关性”并不表示因果关系， 对于任何两个关联事件A和B，不同的可能关系包括： A导致B（直接因果关系）； B导致A（反向因果关系）； A和B是共同原因的结果，但不会相互导致。 A和B都导致C（显式或隐式）为条件。 A原因B，B原因A（双向或循环因果关系）； A导致C导致B（间接因果关系）； A和B之间没有连接；相关性是巧合。 第四点是什么意思。A和B都导致C，这是（显式或隐式）条件。如果A和B导致C，为什么必须将A和B关联起来。
5
调解分析是天生的因果关系吗？
我对测试具有一个IV，一个DV和一个调解器的简单调解模型感兴趣。正如Preacher和Hayes SPSS宏所测试的那样，间接影响是显着的，这表明调解员确实可以在统计学上调解这种关系。 在阅读有关调解的文章时，我读过诸如“请注意，调解模型是因果模型”之类的内容。- 大卫·肯尼（David Kenny）。我当然可以将中介模型用作因果模型，并且确实，如果模型在理论上是合理的，我可以认为这非常有用。 但是，在我的模型中，介体（一种被认为是焦虑症的素质）不是由自变量（焦虑症的症状）引起的。相反，介体和自变量是相关的，我相信自变量和因变量之间的关联可以很大程度上通过IV-mediator-DV之间的差异来解释。本质上，我试图证明IV-DV关系的先前报告可以由非IV引起的相关调解员来解释。 调解在这种情况下很有用，因为它说明了如何通过IV-Mediator-DV关系来统计地解释IV-DV关系。我的问题是因果关系问题。能否再回来回顾一下，告诉我们调解是不合适的，因为IV并不会导致调解员（我一开始就不会争论）？ 这有意义吗？任何对此事的反馈将不胜感激！ 编辑：我的意思是说X与Y相关，不是因为它引起Y，而是因为Z（部分地）引起Y，并且因为X和Z高度相关。有点令人困惑，但仅此而已。在这种情况下，因果关系并不是真正的问题，并且此手稿也与因果关系无关。我只是试图证明X和Y之间的差异可以用Z和Y之间的差异来解释。因此，基本上，X通过Z与Y间接相关（在这种情况下为“中介”）。
2
结构方程模型（SEM）与贝叶斯网络（BN）
这里的术语是一团糟。“结构方程”与“建筑桥梁”一样模糊，而“贝叶斯网络” 本质上并不是贝叶斯。因果关系之神朱迪亚·珀尔（Judea Pearl）说得更好，这两个模型流派几乎相同。 那么，重要的区别是什么？ （令我惊讶的是，截至本文撰写时，SEM的Wikipedia页面甚至还没有包含“网络”一词。）
11
在这个独裁者游戏的例子中，您可以根据相关性推断因果关系吗？
我刚刚参加了考试，我们看到了两个变量。在一个独裁者游戏中，一个独裁者得到100美元，并且可以选择自己寄出或保留多少钱，在年龄和参与者决定保留多少钱之间存在正相关。 我的想法是，您不能由此推断因果关系，因为您不能从相关性推断因果关系。我的同学认为您可以，因为，例如，如果您将参与者分成三个单独的组，您可以看到他们在保留的人数和共享的人数上有何不同，因此得出结论，年龄会导致他们保留更多的人数。谁是正确的，为什么？
3
关联因果关系的真实例子
我正在寻找从关联证据中不恰当地推断因果关系的具体真实案例。 具体来说，我对满足以下条件的示例感兴趣： 因果关系的存在被广泛接受为足以产生显着影响（对公共政策，话语，个人决定等）的事实。 仅根据相关证据（也许伴随着一个连贯但未经证实的因果机制）推断出这种联系。 因果关系已被客观地伪造或至少引起了严重的怀疑。 我想到的两个例子并不理想： 钠的摄入量和血压：据我所知，从那时起已经确定，盐的摄入仅会增加钠敏感的个体的血压。有效因果关系的存在（尽管与最初接受的因果关系不同）使此示例的吸引力降低。 疫苗和自闭症：我可能有错误的背景知识，但我认为这种联系是根据相关性和（欺诈性）实验证据得出的。存在（伪）直接证据的事实削弱了这个例子。 注意：我已经看到了类似的问题： 教学示例：相关并不意味着因果关系 我的问题的主要不同之处在于，它关注的是实际的著名示例，而不关注因果关系明显缺失的示例（例如，体重和音乐技巧）。
2
在有向无环图中表示交互作用
有向无环图（DAG；例如Greenland等，1999）是因果关系反事实解释的因果形式化形式的一部分。在这些图中从变量的箭头的存在可变断言可变直接引起（在危险情况时），可变，和如果没有这样一个箭头的断言，可变不直接原因（在风险的某些变化的）可变。一种一种A乙乙B一种一种A乙乙B一种一种A乙乙B 例如，在下面的DAG因果图中，从“烟草烟雾暴露”到“间皮瘤”的黑色箭头表示“吸烟直接导致间皮瘤风险”的说法。 同样，在下面的DAG因果图中，从“石棉暴露”到“间皮瘤”的黑色箭头表示“石棉暴露直接导致间皮瘤风险的改变” 。 由于红色箭头，我使用术语DAG来描述以下因果关系图，我打算断言诸如“石棉暴露引起烟草烟雾暴露对间皮瘤风险的直接因果效应发生变化 ”（石棉确实对肺细胞的损害，除了直接引起间皮瘤风险的改变外，还使这些细胞更容易受到烟草烟雾暴露的致癌性损害，结果是，接触石棉和烟草都会导致吸烟增加。风险大于两个单独风险的总和），并且这与我在问题开始时描述的DAG中因果箭头的形式含义不太吻合（即，因为红色箭头未终止于变量中））。 如何在DAG的视觉形式主义中正确表示交互作用？ 参考文献 格陵兰，S。，珍珠，J。和罗宾斯，JM（1999）。流行病学研究因果图。流行病学，10（1）：37-48。
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.