Qual è la differenza tra i modelli causali e modelli grafici diretti?

Question

Qual è la differenza tra i modelli causali e modelli grafici diretti? Qual è la differenza tra le relazioni causali e le relazioni probabilistiche diretti? Più concretamente, che cosa mettere nell'interfaccia di una classe DirectedProbabilisticModel, e quello che in una classe CausalModel? Sarebbe uno erediterà dall'altro?

Answer 1

Ci sono due tipi di modello causale : modelli interventistiche e modelli controfattuali . Tutti i modelli grafici diretti possono ragionare osservativamente. Un modello interventistica è un modello grafico diretto che può ragionare con evidenze osservative e interventistica. Un modello controfattuale può ragionare con osservazionale, interventistica, e le prove controfattuale (interventi la cui fonte è inferenze all'interno del modello).

In una e-mail privata di un paio di anni fa, Pearl mi ha scritto che:

  

Per definizione, un modello è una lista di ipotesi, e le ipotesi non sono mai "conosciuto per essere vero". Essi possono essere giustificati dalla teoria, o dati, o esperimenti. Ma la loro posizione nella gerarchia è determinato da quello che dicono, non per dove sono venuti.

Answer 2

La causalità da Judea Pearl è il libro da leggere.

La differenza è che uno è causale e l'altra è solo statistica . Davanti a me che respinge come membro del club tautologia, sentirmi attraverso.

Una relazione probabilistica diretto (AKA un set completo di tabelle probabilità condizionata, AKA Rete bayesiana) contiene solo informazioni statistiche. Il che significa che tutto ciò che si può dedurre dalla tabella probabilità congiunta si può dedurre dal rapporto probabilistico diretto, niente di più, niente di meno. I due sono equivalenti.

Una relazione causale è qualcosa di completamente diverso. Una relazione causale (AKA causale Rete bayesiana) deve specificare cosa accade sotto alcun intervento variabile. Intervento è quando una variabile è costretto a un valore al di fuori delle normali influenze del modello. Ciò equivale a sostituire la probabilità condizionata per la variabile forzata (o variabili, ma riteniamo solo per semplicità) con una nuova tabella in cui la variabile prende il valore forzato con una probabilità.

Se questo non ha senso, si prega di follow-up e mi chiarire.

In questa sezione viene aggiunto per affrontare questioni di Neil nei commenti

Neil chiede:

  

Come si può determinare la direzione di   relazioni probabilistiche diretti   senza eseguire interventi? Nel   altre parole, non il diretto   modello grafico hanno causale   informazioni in esso (cioè informazioni   circa probabilità condizionate su   interventi?)

È possibile determinare la direzione delle relazioni probabilistiche regia di fare ipotesi non statistici supplementari. Questi presupposti comunemente includono: assumendo che non variabili nascoste, e quello veramente importante, partendo dal presupposto che le relazioni di indipendenza condizionale trovate nella distribuzione congiunta sono stabili (nel senso che non esistono per caso o cancellazione). Reti Bayesiane fanno non fare queste ipotesi.

Per ulteriori informazioni su come recuperare le direzioni di ricerca della IC, PC, e IC * algoritmi. Credo che i dettagli specifici di IC sono coperti in: "Una teoria della causalità derivato"

Answer 3

Se ho capito questo post correttamente, modelli casuali e modelli grafici diretti (reti bayesiane) mirano a diverse fasi del flusso di lavoro. Un modello casuale è un modo di assegnare le dipendenze in modo tale che essi riflettono la causalità. reti bayesiane ci forniscono le tecniche di inferenza. Quindi, si può eseguire la stima utilizzando qualcosa di diverso. D'altra parte, si può modellare reti bayesiane con tecniche diverse di SCM.

Se si scava nel più profondo, fatecelo sapere, perché io non capisco pienamente oggetto di SCM (mentre mi piacerebbe:).

Answer 4

modelli grafici dirette sono un modo di codificare relazioni causali tra variabili. modelli grafici probabilistici sono un modo di codificare causalità in modo probabilistico. Mi raccomando di leggere questo libro scritto da Judea Pearl, che è uno dei pionieri in il campo (che vedo si fa riferimento al documento che hai menzionato nel commento).

un grafo orientato è semplicemente un grafo (nodi e bordi) che è diretta (bordi hanno direzioni). modelli causali sono modelli che indicano come variabili influenzano l'un l'altro, un modo di fare che utilizza grafi orientati. la ricerca di AI ha dimostrato che le relazioni causali deterministiche non sono sufficienti per codificare la conoscenza del mondo che ci circonda, perché è troppo disordinato. Questo è il motivo probabilità è stato aggiunto al quadro.