Há uma discussão informativa nos arquivos do blog de Andrew Gelman, incluindo contribuições de Pearl e outros especialistas.
guest
11
Gelman discute Pearl causalidade , além de SL Morgan e C Winship de Contrafactuais e causal Models e de A Sloman modelos causais em um 2011 resenha na Am. J. of Sociology. Ele geralmente apoia muito as contribuições de Pearl, especialmente a formalização de modelos causais em termos de intervenções (do-calculus). No entanto, ele continua preocupado que a teoria causal de última geração ainda possa convidar modelos causais simplificados demais e subsequentemente inferências causais falsas a partir de dados observacionais.
precisa saber é o seguinte
11
@ jthetzel: Obrigado, parece uma boa resposta para mim. Você se importaria de adicioná-lo?
9118 Neil G
Respostas:
35
Alguns autores não gostam do foco de Pearl no gráfico acíclico direcionado (DAG) como a maneira de ver a causalidade. Pearl argumenta essencialmente que qualquer sistema causal pode ser considerado como um modelo de equação estrutural não paramétrico (NPSEM), no qual o valor de cada nó é tomado como uma função de seus pais e algum termo de erro individual; os termos de erro entre nós diferentes podem, em geral, ser correlacionados, para representar causas comuns.
O livro de Cartwright Hunting Causes and Using Them , por exemplo, fornece um exemplo envolvendo um motor de carro, que ela afirma que não pode ser modelado na estrutura do NPSEM. Pearl contesta isso em sua resenha do livro de Cartwright.
Outros alertam que o uso de DAGs pode ser enganoso, pois as setas concedem uma autoridade aparente a um modelo escolhido como tendo implicações causais, quando esse pode não ser o caso. Veja Cuidado com Dawid do DAG . Por exemplo, os três DAGs , e induzem o mesmo modelo probabilístico no critério de separação d de Pearl, que A é independente de C dado B. Eles são, portanto, indistinguíveis com base em dados observacionais.A ← B → C A ← B ← CA → B → CA ← B → CA←B←C
No entanto, eles têm interpretações causais bem diferentes ; portanto, se quisermos aprender sobre as relações causais aqui, precisaríamos de mais do que simples dados observacionais, sejam esses resultados de experimentos de intervenção, informações anteriores sobre o sistema ou qualquer outra coisa.
Para ser justo - longe de desconhecer os três DAGs com o mesmo modelo probabilístico, Pearl tem sido um dos principais promotores da distinção entre modelos meramente estatísticos-associativos probabilísticos e modelos totalmente causais. Veja, por exemplo, a Seção 2 de ftp.cs.ucla.edu/pub/stat_ser/r354-corrected-reprint.pdf
Paul
@ Paul sim de fato; Eu estava apenas relatando dúvidas de outras pessoas sobre o uso de DAGs. Não tenho essas dúvidas - edite se você acha que a resposta é injusta!
rje42
4
Parece que a mensagem foi totalmente perdida na tradução. O que não é necessariamente culpa de sua resposta, se você está apenas denunciando as críticas que as pessoas fizeram. O ponto principal do trabalho de Pearl é que diferentes modelos causais podem gerar o mesmo modelo probabilístico e, portanto, os mesmos dados de aparência. Portanto, não basta ter um modelo probabilístico, você deve basear sua análise e interpretação causal no DAG completo para obter resultados confiáveis. Se você está apenas denunciando o que as pessoas dizem, não acho que sua resposta precise ser editada, esses comentários são esclarecimentos suficientes.
Paul
votou +1 a propósito.
Paul
16
Eu acho que essa estrutura tem muitos problemas com efeitos gerais de equilíbrio ou violações da Suposição de valor de tratamento de unidade estável. Nesse caso, as observações "não tratadas" não fornecem mais o contrafactual desejado de maneira significativa. Programas massivos de treinamento profissional que mudam toda a distribuição salarial são um exemplo. O contrafactual pode até não estar bem definido em alguns casos. Nos modelos contrafactuais e causais de Morgan e Winship , eles dão um exemplo da alegação de que a eleição de 2000 teria sido a favor de Al Gore se criminosos e ex-criminosos tivessem permissão para votar. Eles apontam que o mundo contrafactual teria candidatos e questões muito diferentes, de modo que você não pode caracterizar o estado causal alternativo. O ceteris paribus efeito não seria o parâmetro relevante para a política aqui.
Parece que você está dizendo que alguns contrafatuais não são razoáveis porque não é razoável supor que apenas uma coisa mude? No exemplo do criminoso, o simples fato de os criminosos poderem votar implicaria muitas outras diferenças entre esse mundo em potencial e o nosso mundo real, portanto, não é razoável mudar "apenas uma coisa"?
Paul
2
@ Paul Sim, o "todos os demais iguais" não pode conter.
Dimitriy V. Masterov
11
Obrigado. Eu acho que esse é um ponto bastante profundo e subestimado dos contrafatuais. As pessoas geralmente assumem que podem fazer o que quiserem. Mas, assim como o mundo real, acho que o espaço de contrafatuais válidos pode ter "multicolinearidade".
Paul
0
A crítica mais importante ao sistema de Pearl é, na minha perspectiva, que ele não produziu nenhum avanço prático e empírico em qualquer lugar em que tenha sido usado. Dado há quanto tempo, não há razão para pensar que será uma ferramenta prática. Isso indica que pode ser usado para alguns propósitos teóricos e talvez didáticos, mas um pesquisador prático ganhará pouco com o estudo.
Boas-vindas calorosas a este site, mas sua resposta é totalmente ridícula.
Neil G
11
Por que isso é ridículo? Se Pearl promovesse seu sistema simplesmente como algum tipo de ferramenta filosófica conceitual para entender o que é causalidade, eu não teria problemas com isso. Mas ele constantemente o descreve como uma ferramenta prática "revolucionária" para os pesquisadores usarem, que é simplesmente besteira. Por exemplo, em seu último livro, Pearl diz que "não ficaria surpreso" se o método da porta da frente "eventualmente se tornar um concorrente sério de ensaios clínicos randomizados", o que é uma forte alegação, uma vez que não há um único exemplo do método sendo usado para resolver qualquer problema real, sempre.
Matt
11
É ridículo porque seu trabalho foi citado dezenas de milhares de vezes. O método da porta da frente foi famoso por apoiar o vínculo entre tabagismo e câncer, desafiando o testemunho de Ronald Fisher!
Neil G
5
O que a contagem de citações de Pearl tem a ver com alguma coisa? Minha crítica é que os benefícios práticos que ele prometeu por décadas não se materializaram. Pearl surgiu com o critério da porta da frente décadas depois que Fisher morreu e a controvérsia sobre câncer e tabagismo se acalmou. Como o critério poderia ter sido usado contra Fisher?
Respostas:
Alguns autores não gostam do foco de Pearl no gráfico acíclico direcionado (DAG) como a maneira de ver a causalidade. Pearl argumenta essencialmente que qualquer sistema causal pode ser considerado como um modelo de equação estrutural não paramétrico (NPSEM), no qual o valor de cada nó é tomado como uma função de seus pais e algum termo de erro individual; os termos de erro entre nós diferentes podem, em geral, ser correlacionados, para representar causas comuns.
O livro de Cartwright Hunting Causes and Using Them , por exemplo, fornece um exemplo envolvendo um motor de carro, que ela afirma que não pode ser modelado na estrutura do NPSEM. Pearl contesta isso em sua resenha do livro de Cartwright.
Outros alertam que o uso de DAGs pode ser enganoso, pois as setas concedem uma autoridade aparente a um modelo escolhido como tendo implicações causais, quando esse pode não ser o caso. Veja Cuidado com Dawid do DAG . Por exemplo, os três DAGs , e induzem o mesmo modelo probabilístico no critério de separação d de Pearl, que A é independente de C dado B. Eles são, portanto, indistinguíveis com base em dados observacionais.A ← B → C A ← B ← CA → B → C A ← B → C A←B←C
No entanto, eles têm interpretações causais bem diferentes ; portanto, se quisermos aprender sobre as relações causais aqui, precisaríamos de mais do que simples dados observacionais, sejam esses resultados de experimentos de intervenção, informações anteriores sobre o sistema ou qualquer outra coisa.
fonte
Eu acho que essa estrutura tem muitos problemas com efeitos gerais de equilíbrio ou violações da Suposição de valor de tratamento de unidade estável. Nesse caso, as observações "não tratadas" não fornecem mais o contrafactual desejado de maneira significativa. Programas massivos de treinamento profissional que mudam toda a distribuição salarial são um exemplo. O contrafactual pode até não estar bem definido em alguns casos. Nos modelos contrafactuais e causais de Morgan e Winship , eles dão um exemplo da alegação de que a eleição de 2000 teria sido a favor de Al Gore se criminosos e ex-criminosos tivessem permissão para votar. Eles apontam que o mundo contrafactual teria candidatos e questões muito diferentes, de modo que você não pode caracterizar o estado causal alternativo. O ceteris paribus efeito não seria o parâmetro relevante para a política aqui.
fonte
A crítica mais importante ao sistema de Pearl é, na minha perspectiva, que ele não produziu nenhum avanço prático e empírico em qualquer lugar em que tenha sido usado. Dado há quanto tempo, não há razão para pensar que será uma ferramenta prática. Isso indica que pode ser usado para alguns propósitos teóricos e talvez didáticos, mas um pesquisador prático ganhará pouco com o estudo.
fonte