W archiwum blogu Andrew Gelmana znajduje się pouczająca dyskusja, w tym wypowiedzi Pearl i innych ekspertów.
gość
11
Gelman omawia przyczynowość Pearl , oprócz SL Morgana i C Winship's Counterfactuals and Causal Models i A Sloman's Causal Models w eseju przeglądowym z 2011 roku w Am. J. of Sociology. Generalnie bardzo popiera wkład Pearl'a, zwłaszcza sformalizowanie przez Pearl modeli przyczynowych pod względem interwencji (rachunek różniczkowy). Pozostaje jednak zaniepokojony faktem, że najnowocześniejsza teoria przyczynowa może nadal zachęcać do nadmiernie uproszczonych modeli przyczynowych, a następnie fałszywych wniosków przyczynowych z danych obserwacyjnych.
jthetzel,
1
@jthetzel: Dzięki, to wygląda mi na dobrą odpowiedź. Czy mógłbyś to dodać?
Neil G
Odpowiedzi:
35
Niektórzy autorzy nie lubią skupiania się Pearl na ukierunkowanym grafie acyklicznym (DAG) jako sposobie patrzenia na przyczynowość. Pearl zasadniczo twierdzi, że każdy układ przyczynowy można uznać za nieparametryczny model równania strukturalnego (NPSEM), w którym wartość każdego węzła jest brana jako funkcja jego elementów nadrzędnych i jakiegoś indywidualnego składnika błędu; terminy błędów między różnymi węzłami mogą zasadniczo być skorelowane, reprezentując typowe przyczyny.
Na przykład książka Cartwright „ Polowanie na przyczyny i korzystanie z nich” daje przykład dotyczący silnika samochodowego, który, jak twierdzi, nie może być modelowany w ramach NPSEM. Pearl kwestionuje to w swojej recenzji książki Cartwrighta.
A→B→CA←B→CA←B←C
Mają jednak zupełnie różne interpretacje przyczynowe , więc jeśli chcielibyśmy dowiedzieć się tutaj o związkach przyczynowych, potrzebowalibyśmy czegoś więcej niż tylko danych obserwacyjnych, czy byłyby to wyniki eksperymentów interwencyjnych, wcześniejsze informacje o systemie, czy coś innego.
Mówiąc szczerze - nie będąc nieświadomym trzech DAG z tym samym modelem probabilistycznym, Pearl była jednym z głównych promotorów rozróżnienia między modelami wyłącznie statystyczno-probabilistycznymi-asocjacyjnymi a modelami w pełni przyczynowymi. Patrz na przykład sekcja 2 ftp.cs.ucla.edu/pub/stat_ser/r354-corrected-reprint.pdf
Paul
@Paul rzeczywiście tak; Właśnie zgłaszałem wątpliwości innych ludzi na temat korzystania z DAG. Nie mam takich wątpliwości - edytuj, jeśli uważasz, że odpowiedź jest niesprawiedliwa!
rje42
4
Wygląda na to, że wiadomość została całkowicie zagubiona w tłumaczeniu. Co niekoniecznie jest odpowiedzią na twoją odpowiedź, jeśli tylko zgłaszasz krytykę. Sensem pracy Pearl jest to, że różne modele przyczynowe może generować ten sam model probabilistyczny i stąd te same wyglądające dane. Więc nie wystarczy mieć model probabilistyczny, musisz oprzeć swoją analizę i interpretację przyczynową na pełnym DAG, aby uzyskać wiarygodne wyniki. Jeśli tylko raportujesz, co mówią ludzie, nie sądzę, aby twoja odpowiedź wymagała edycji, te komentarze są wystarczającym wyjaśnieniem.
Paul
przy okazji głosowałem +1.
Paul,
16
Myślę, że te ramy mają wiele problemów z efektami równowagi ogólnej lub naruszeniem założeń dotyczących stabilnej wartości leczenia jednostkowego. W takim przypadku „nieleczone” obserwacje nie zapewniają już pożądanego scenariusza alternatywnego w znaczący sposób. Jednym z przykładów są masowe programy szkolenia zawodowego, które zmieniają cały rozkład płac. W niektórych przypadkach scenariusz alternatywny może nawet nie być dobrze zdefiniowany. W artykułach alternatywnych i modelach przyczynowych Morgana i Winshipa podają przykład twierdzenia, że wybory w 2000 r. Byłyby na korzyść Al Gore, gdyby dopuszczono do głosowania przestępców i byłych przestępców. Wskazują, że świat alternatywny miałby bardzo różnych kandydatów i problemy, więc nie można scharakteryzować alternatywnego stanu przyczynowego. Ceteris paribus efekt nie byłby tutaj parametrem istotnym dla polityki.
Wygląda na to, że mówisz, że niektóre scenariusze alternatywne są nieuzasadnione, ponieważ nie można zakładać, że zmienia się tylko jedna rzecz? W przykładzie przestępcy prosty fakt, że przestępcy mogą głosować, sugerowałby wiele innych różnic między tym potencjalnym światem a naszym rzeczywistym światem, więc nie ma sensu zmieniać „tylko jednej rzeczy”?
Paweł,
2
@Paul Tak, „wszystko inne równe” nie może się utrzymać.
Dimitriy V. Masterov,
1
Dzięki. Myślę, że jest to dość głęboka i niedoceniana kwestia dotycząca scenariuszy alternatywnych. Ludzie zwykle zakładają, że mogą robić, co chcą. Ale podobnie jak w prawdziwym świecie, przestrzeń ważnych scenariuszy alternatywnych może mieć „wielokoliniowość”.
Paweł,
0
Najważniejsza krytyka systemu Pearl jest z mojej perspektywy, że nie przyniósł on żadnych praktycznych, empirycznych postępów w żadnym miejscu, w którym został użyty. Biorąc pod uwagę, jak długo to trwało, nie ma powodu sądzić, że będzie to kiedykolwiek praktyczne narzędzie. Wskazuje to, że można go wykorzystać do celów teoretycznych i być może dydaktycznych, ale praktyczny badacz niewiele na tym zyska.
Serdecznie witamy na tej stronie, ale twoja odpowiedź jest całkowicie absurdalna.
Neil G
1
Dlaczego to jest śmieszne? Gdyby Pearl promował swój system jako rodzaj konceptualnego, filozoficznego narzędzia do zrozumienia, czym jest przyczynowość, nie miałbym z tym problemu. Ale ciągle mówi o tym jako o „rewolucyjnym” praktycznym narzędziu dla badaczy, co jest po prostu bzdurą. Na przykład w swojej najnowszej książce Pearl mówi, że „nie byłby zaskoczony”, gdyby metoda frontowa „ostatecznie stała się poważnym konkurentem w randomizowanych kontrolowanych badaniach”, co jest mocnym twierdzeniem, biorąc pod uwagę, że nie ma ani jednego przykładu tej metody używane do rozwiązania każdego prawdziwego problemu.
Matt
1
To śmieszne, ponieważ jego prace były cytowane dziesiątki tysięcy razy. Metoda frontowa była znana ze wsparcia powiązania między paleniem a rakiem, wbrew zeznaniom Ronalda Fishera!
Neil G
5
Co ma wspólnego z cytowaniem Pearl? Moja krytyka polega na tym, że praktyczne korzyści, które obiecał przez dziesięciolecia, nie zmaterializowały się. Pearl wymyśliło kryterium drzwi wejściowych dziesięciolecia po śmierci Fishera i rozstrzygnięcie kontrowersji związanych z rakiem i paleniem tytoniu. Jak można zastosować to kryterium wobec Fishera?
Odpowiedzi:
Niektórzy autorzy nie lubią skupiania się Pearl na ukierunkowanym grafie acyklicznym (DAG) jako sposobie patrzenia na przyczynowość. Pearl zasadniczo twierdzi, że każdy układ przyczynowy można uznać za nieparametryczny model równania strukturalnego (NPSEM), w którym wartość każdego węzła jest brana jako funkcja jego elementów nadrzędnych i jakiegoś indywidualnego składnika błędu; terminy błędów między różnymi węzłami mogą zasadniczo być skorelowane, reprezentując typowe przyczyny.
Na przykład książka Cartwright „ Polowanie na przyczyny i korzystanie z nich” daje przykład dotyczący silnika samochodowego, który, jak twierdzi, nie może być modelowany w ramach NPSEM. Pearl kwestionuje to w swojej recenzji książki Cartwrighta.
Mają jednak zupełnie różne interpretacje przyczynowe , więc jeśli chcielibyśmy dowiedzieć się tutaj o związkach przyczynowych, potrzebowalibyśmy czegoś więcej niż tylko danych obserwacyjnych, czy byłyby to wyniki eksperymentów interwencyjnych, wcześniejsze informacje o systemie, czy coś innego.
źródło
Myślę, że te ramy mają wiele problemów z efektami równowagi ogólnej lub naruszeniem założeń dotyczących stabilnej wartości leczenia jednostkowego. W takim przypadku „nieleczone” obserwacje nie zapewniają już pożądanego scenariusza alternatywnego w znaczący sposób. Jednym z przykładów są masowe programy szkolenia zawodowego, które zmieniają cały rozkład płac. W niektórych przypadkach scenariusz alternatywny może nawet nie być dobrze zdefiniowany. W artykułach alternatywnych i modelach przyczynowych Morgana i Winshipa podają przykład twierdzenia, że wybory w 2000 r. Byłyby na korzyść Al Gore, gdyby dopuszczono do głosowania przestępców i byłych przestępców. Wskazują, że świat alternatywny miałby bardzo różnych kandydatów i problemy, więc nie można scharakteryzować alternatywnego stanu przyczynowego. Ceteris paribus efekt nie byłby tutaj parametrem istotnym dla polityki.
źródło
Najważniejsza krytyka systemu Pearl jest z mojej perspektywy, że nie przyniósł on żadnych praktycznych, empirycznych postępów w żadnym miejscu, w którym został użyty. Biorąc pod uwagę, jak długo to trwało, nie ma powodu sądzić, że będzie to kiedykolwiek praktyczne narzędzie. Wskazuje to, że można go wykorzystać do celów teoretycznych i być może dydaktycznych, ale praktyczny badacz niewiele na tym zyska.
źródło