Qual é a diferença entre modelos causais e modelos gráficos direcionados?

Question

Qual é a diferença entre modelos causais e modelos gráficos direcionados?Qual é a diferença entre relações causais e relações probabilísticas direcionadas?Mais concretamente, o que você colocaria na interface de um DirectedProbabilisticModel aula, e o que em um CausalModel aula?Um herdaria do outro?

Answer 1

Existem dois tipos de Modelo causal: Modelos de intervenção e Modelos contrafactuais. Todos os modelos gráficos direcionados podem raciocinar observacionalmente. Um modelo intervencionista é um modelo gráfico direcionado que pode raciocinar com evidências observacionais e intervencionistas. Um modelo contrafactual pode raciocinar com evidências observacionais, intervencionistas e contrafactuais (intervenções cuja fonte são inferências dentro do modelo).

Em um e -mail privado há alguns anos, Pearl me escreveu que:

Por definição, um modelo é uma lista de suposições e as suposições nunca são "conhecidas por serem verdadeiras". Eles podem ser substanciados pela teoria, dados ou experimentos. Mas sua posição na hierarquia é determinada pelo que eles afirmam, não de onde vieram.

Answer 2

Causalidade de Judea Pearl é o livro para ler.

A diferença é que um é causal e o outro é apenas estatística.Antes de me demitir como membro do clube de tautologia, ouça-me.

Um relacionamento probabilístico direcionado (também conhecido como conjunto completo de tabelas de probabilidade condicional, também conhecido como rede bayesiana) contém apenas informações estatísticas.O que significa que qualquer coisa que você possa inferir da tabela de Probabilidade Conjunta, você pode inferir do relacionamento probabilístico direcionado, nada mais, nada menos.Os dois são equivalentes.

Uma relação causal é algo completamente diferente.Uma relação causal (também conhecida como Rede Bayesiana Causal) deve especificar o que acontece sob qualquer intervenção variável.A intervenção ocorre quando uma variável é forçada a um valor fora das influências normais do modelo.Isso é equivalente a substituir a probabilidade condicional para a variável forçada (ou variáveis, mas consideramos apenas uma por simplicidade) com uma nova tabela na qual a variável leva seu valor forçado com probabilidade.

Se isso não fizer sentido, por favor, acompanhe e eu esclarecerei.

Esta seção foi adicionada para responder às perguntas de Neil nos comentários

Neil pergunta:

Como você pode determinar a direção das relações probabilísticas direcionadas sem realizar intervenções?Em outras palavras, o modelo gráfico direcionado não possui informações causais (ou seja, informações sobre probabilidades condicionais sobre intervenções?)

Você pode determinar a direção dos relacionamentos probabilísticos direcionados fazendo suposições não estatísticas adicionais.Essas suposições geralmente incluem:assumindo que não há variáveis ​​ocultas, e a realmente importante, assumindo que as relações de independência condicional encontradas na distribuição conjunta são estáveis ​​(o que significa que não existem por acaso ou cancelamento).Redes Bayesianas fazem não fazer essas suposições.

Para detalhes de como recuperar as direções pesquise os algoritmos IC, PC e IC*.Acredito que os detalhes específicos do IC são abordados em: "Uma teoria da causalidade inferida"

Answer 3

Se eu entender esta postagem Corretamente, modelos casuais e modelos gráficos direcionados (redes bayesianas) visam diferentes estágios do fluxo de trabalho. Um modelo casual é uma maneira de atribuir dependências de modo a refletir a causa. As redes bayesianas nos fornecem técnicas de inferência. Portanto, pode -se executar a estimativa usando algo diferente. Por outro lado, pode -se modelar redes bayesianas usando técnicas diferentes que o SCM.

Se você se aprofundar mais, informe -nos, porque eu não entendo completamente o assunto do SCM (enquanto eu gostaria :).

Answer 4

modelos gráficos direcionados são uma forma de codificar relações causais entre variáveis.modelos gráficos probabilísticos são uma forma de codificar a causalidade de maneira probabilística.Eu recomendaria a leitura esse livro escrito por Judea Pearl, que é um dos pioneiros na área (a quem vejo você se referindo no artigo que mencionou no comentário).

um gráfico direcionado é simplesmente um gráfico (nós e arestas) que é direcionado (arestas têm direções).modelos causais são modelos que informam como as variáveis ​​​​afetam umas às outras. Uma maneira de fazer isso é usar gráficos direcionados.A investigação em IA demonstrou que as relações causais determinísticas não são suficientes para codificar o conhecimento do mundo que nos rodeia porque é demasiado confuso.É por isso que a probabilidade foi adicionada à imagem.