Quelle est la différence entre les modèles causaux et dirigés modèles graphiques?

Question

Quelle est la différence entre les modèles causaux et dirigés modèles graphiques? Quelle est la différence entre les relations de cause à effet et dirigées relations probabilistes? Plus concrètement, que mettriez-vous dans l'interface d'une classe DirectedProbabilisticModel, et que dans une classe de CausalModel? Aurait-on hériter de l'autre?

Answer 1

Il existe deux types de modèle causal : modèles interventionnels et modèles contrefactuelle . Tous les modèles graphiques dirigés peuvent raisonner observationnelle. Un modèle d'intervention est un modèle graphique dirigé qui peut raisonner avec des données d'observation et d'intervention. Un modèle contrefactuel peut raisonner avec des données d'observation, d'intervention et contrefactuel (interventions dont la source est inférences dans le modèle).

Dans un e-mail privé il y a quelques années, Perle m'a écrit que:

  

Par définition, un modèle est une liste d'hypothèses, et les hypothèses ne sont jamais « connu pour être vrai ». Ils peuvent être justifiés par la théorie, ou de données ou expériences. Mais leur position dans la hiérarchie est déterminée par ce qu'ils prétendent, non par où ils venaient.

Answer 2

par Judea Pearl Causalité est le livre à lire.

La différence est que l'on est causal et l'autre est simplement statistique . Avant de me rejeter en tant que membre du club de tautologie, écoutez-moi par.

une relation probabiliste dirigé (AKA un ensemble complet de tables de probabilités conditionnelles, AKA réseau bayésien) ne contient que des informations statistiques. Ce qui signifie que tout ce que vous pouvez déduire de la table commune de probabilité, vous pouvez déduire de la relation probabiliste dirigée, rien de plus, rien de moins. Les deux sont équivalents.

Une relation de cause à effet est tout autre chose. Une relation de cause à effet (AKA réseau bayésien causales) doit préciser ce qui se passe dans toute intervention variable. L'intervention est quand une variable est forcée à une valeur en dehors des influences normales du modèle. Cela équivaut à remplacer la probabilité conditionnelle pour la variable forcée (ou variables, mais nous considérons juste un souci de simplicité) avec une nouvelle table dans laquelle la variable prend sa valeur forcée avec une probabilité.

Si cela n'a pas de sens, s'il vous plaît suivre et je vais préciser.

Cette section a ajouté pour répondre aux questions de Neil dans les commentaires

Neil demande:

  

Comment peut-on déterminer la direction de   dirigées relations probabilistes   sans effectuer des interventions? Dans   autrement dit, ne pas dirigé   modèle graphique ont causal   informations qu'il contient (à savoir, des informations   au sujet des probabilités conditionnelles sur   interventions?)

Vous pouvez déterminer la direction des relations probabilistes dirigées en faisant des hypothèses non statistiques supplémentaires. Ces hypothèses comprennent généralement: en supposant qu'aucune variables cachées, et celui très important, en supposant que les relations d'indépendance conditionnelle trouvées dans la distribution conjointe sont stables (ce qui signifie qu'ils existent pas par hasard ou d'annulation). Les réseaux bayésiens font pas faire ces hypothèses.

Pour plus de détails sur la façon de récupérer les orientations de recherche du circuit intégré, PC et IC * algorithmes. Je crois que les détails spécifiques de l'IC sont couverts dans: « Théorie de la inférées Causation »

Answer 3

Si je comprends ce message correctement, les modèles occasionnels et dirigés modèles graphiques (réseaux bayésiens) visent à différentes étapes du processus. Un modèle occasionnel est une manière d'attribuer des dépendances de telle sorte qu'ils reflètent la causalité. Les réseaux bayésiens nous fournissent des techniques d'inférence. Ainsi, on peut effectuer une estimation en utilisant quelque chose de différent. D'autre part, on peut modéliser les réseaux bayésiens en utilisant différentes techniques que SCM.

Si vous creusez en elle plus profondément, s'il vous plaît laissez-nous savoir, parce que je ne comprends pas tout à fait l'objet de SCM (alors que je voudrais:).

Answer 4

réalisé des modèles graphiques sont un moyen de codage des relations de cause à effet entre les variables. modèles graphiques probabilistes sont un moyen de codage de causalité d'une manière probabiliste. Je recommande la lecture ce livre écrit par Judea Pearl, qui est l'un des pionniers le terrain (que je vois que vous faites référence dans le document que vous avez mentionné dans le commentaire).

un graphe orienté est simplement un graphe (noeuds et arêtes) qui est dirigé (bords ont des directions). modèles de cause à effet sont des modèles qui vous indiquent comment les variables affectent l'autre, une façon de faire qui utilise des graphiques dirigés. AI recherche a montré que les relations de cause à effet déterministe ne sont pas suffisantes pour encoder la connaissance du monde qui nous entoure parce qu'il est trop désordonné. Voilà pourquoi la probabilité a été ajouté à l'image.