ทฤษฎีใดที่ฉันควรรู้

ฉันควรทราบวิธีการเชิงทฤษฎีเกี่ยวกับเวรกรรมในฐานะนักสถิติประยุกต์ / เศรษฐมิติ

ฉันรู้ (เล็กน้อยมาก)

Neyman – Rubin โมเดลเชิงสาเหตุ (และRoy , Haavelmoเป็นต้น)
ผลงานของ Pearl ในเรื่องเวรกรรม
Granger Causality (เน้นการรักษาน้อยกว่า)

ฉันควรพลาดแนวคิดใดหรือควรระวัง

ที่เกี่ยวข้อง: ทฤษฎีใดบ้างที่เป็นรากฐานสำหรับเวรกรรมในการเรียนรู้ของเครื่อง?

ฉันได้อ่านคำถามที่น่าสนใจและคำตอบ ( 1 , 2 , 3 ) แต่ฉันคิดว่าเป็นคำถามที่แตกต่าง และฉันรู้สึกประหลาดใจมากที่จะเห็นว่า "เวรกรรม" ยกตัวอย่างเช่นไม่ได้กล่าวถึงในองค์ประกอบของการเรียนรู้ทางสถิติ

— Arne Jonas Warnke
แหล่งที่มา

ตรวจสอบรีวิวของ Andrew Gelman เกี่ยวกับงานหลายอย่างเกี่ยวกับสาเหตุใน AJS: Gelman, A. (2011) เวรกรรมและสถิติการเรียนรู้ วารสารสังคมวิทยาอเมริกัน, 117 (3), 955-966 ดอย: 10.1086 / 662659 มันเป็นภาพรวมสั้น ๆ ของเวรกรรมในสังคมศาสตร์ที่มีการอ้างอิงเฉพาะผลงานของ Rubin และ Pearl รวมถึงคนอื่น ๆ เป็นสถานที่ที่ดีในการค้นหาข้อมูลอ้างอิง

— paqmo

เริ่มต้นด้วย (John Stuart) วิธีการของ Mill en.wikipedia.org/wiki/Mill's_Methods

— noumenal

ดูความคิดเห็นของฉันภายใต้คำตอบที่ยอมรับเกี่ยวกับการตีความที่เป็นไปได้ของ Granger สาเหตุที่นั่น

— Richard Hardy

$B$ ) การเลือกชื่อนี้โชคร้ายมากและเป็นสาเหตุของความเข้าใจผิดหลายประการ

ในขณะที่มันเกือบจะไม่มีข้อโต้แย้งว่าสาเหตุต้องนำหน้าผลในเวลาเพื่อสรุปข้อสรุปสาเหตุที่มีความสำคัญเวลาคุณยังต้องเรียกร้องการขาดการรบกวนในหมู่แหล่งอื่น ๆ ของสมาคมปลอม

ตอนนี้เกี่ยวกับผลลัพธ์ที่เป็นไปได้ (Neyman-Rubin) เมื่อเทียบกับกราฟเชิงสาเหตุ / การสร้างแบบจำลองสมการโครงสร้าง (ไข่มุก) ฉันอยากจะบอกว่านี่เป็นภาวะที่กลืนไม่เข้าคายไม่ออกเท็จและคุณควรเรียนรู้ทั้งสองอย่าง

ครั้งแรกมันเป็นสิ่งสำคัญที่จะแจ้งให้ทราบว่าเหล่านี้จะไม่สามารถมองเห็นวิวตรงข้ามเกี่ยวกับเวรกรรม ในฐานะที่เป็น Pearl ทำให้มีลำดับชั้นของงานอนุมานสาเหตุ (สาเหตุ):

การทำนายที่สังเกตได้
การทำนายภายใต้การแทรกซึม
Counterfactuals

สำหรับภารกิจแรกคุณจะต้องรู้ถึงการกระจายตัวของตัวแปรที่สังเกตได้ สำหรับภารกิจที่สองคุณจำเป็นต้องรู้การกระจายข้อต่อและโครงสร้างสาเหตุ สำหรับภารกิจสุดท้ายของสิ่งกีดขวางคุณจะต้องการข้อมูลเพิ่มเติมเกี่ยวกับรูปแบบการทำงานของแบบจำลองโครงสร้างสมการของคุณ

ดังนั้นเมื่อพูดคุยเกี่ยวกับ counterfactuals, มีเท่ากันอย่างเป็นทางการระหว่างทั้งสองมุมมอง แตกต่างก็คือผลลัพธ์ที่อาจเกิดใช้งบ counterfactual เป็นพื้นฐานและมี DABs ความ counterfactuals ดูเหมือนเป็นมาจากสมการโครงสร้าง อย่างไรก็ตามคุณอาจถามว่าพวกเขาเป็น "เทียบเท่า" ทำไมต้องเรียนรู้ทั้งคู่ เพราะมีความแตกต่างในแง่ของ "ความง่าย" ในการแสดงและรับสิ่งต่าง ๆ

ตัวอย่างเช่นพยายามแสดงแนวคิดของM-Biasโดยใช้ผลลัพธ์ที่เป็นไปได้เท่านั้น - ฉันไม่เคยเห็นดีเลย ในความเป็นจริงประสบการณ์ของฉันจนถึงตอนนี้ก็คือนักวิจัยที่ไม่เคยศึกษากราฟมาก่อนก็ไม่รู้ด้วยซ้ำ นอกจากนี้การกำหนดสมมติฐานที่สำคัญของแบบจำลองของคุณในภาษากราฟิกจะทำให้ง่ายต่อการคำนวณที่ได้มาจากการทดสอบเชิงประจักษ์เชิงประจักษ์และตอบคำถามเกี่ยวกับความสามารถในการระบุตัวตน ในทางกลับกันบางครั้งคนจะพบว่ามันง่ายกว่าที่จะคิดเกี่ยวกับการต่อต้านตนเองโดยตรงและรวมเข้ากับสมมติฐานเชิงพารามิเตอร์เพื่อตอบคำถามที่เฉพาะเจาะจง

มีอีกหลายสิ่งที่สามารถพูดได้ แต่ประเด็นที่นี่คือคุณควรเรียนรู้วิธี "พูดทั้งสองภาษา" สำหรับการอ้างอิงคุณสามารถตรวจสอบวิธีการเริ่มต้นที่นี่

— Carlos Cinelli
แหล่งที่มา

คุณสามารถให้ตัวอย่างของสิ่งที่ง่ายต่อการแสดงออกในรูปของ PO แต่ไม่ใช่ใน DAG

— Guilherme Duarte

@GuilhermeDuarte ปริมาณการไกล่เกลี่ยที่เกี่ยวข้องกับสิ่งกีดขวางที่ซ้อนกัน

— Carlos Cinelli

ฉันคิดว่ามุมมองของคุณเกี่ยวกับสาเหตุ Granger (อย่างน้อยตามที่กำหนดไว้ที่นี่) นั้นไม่ชัดเจน สาเหตุเวร

A \overset{G r a n g e r}{\to} B

$A\xrightarrow{Granger} B$ หมายความว่า

A

$A$ ได้เพิ่มพลังการทำนายเมื่อประวัติศาสตร์ของ

B

$B$ ตัวมันเองใช้สำหรับทำนาย

B

$B$ . ดังนั้นเจื้อยแจ้วไม่ได้ทำให้เกิด Granger พระอาทิตย์ขึ้นเนื่องจากพวกเขาไม่ได้ปรับปรุงตามการทำนายของพระอาทิตย์ขึ้นบนพื้นฐานของข้อมูลทางประวัติศาสตร์เกี่ยวกับพระอาทิตย์ขึ้น

— Richard Hardy

@RichardHardy ฉันคิดว่าคุณพูดถูกบางทีไก่ที่สมบูรณ์แบบที่กา 1 ชั่วโมงก่อนพระอาทิตย์ขึ้นอาจมีพลังการทำนายได้มากกว่าแบบเชิงเส้นของอนุกรมเวลาพระอาทิตย์ขึ้น (เนื่องจากพระอาทิตย์ขึ้นไม่เหมือนกันทุกวัน) แต่ด้วยรูปแบบที่สมบูรณ์แบบ มันอาจจะไม่มีอะไรเพิ่ม

— Carlos Cinelli

ฉันคิดว่าสาเหตุของ Granger ไม่แนะนำให้ใช้แบบจำลองการคาดการณ์ที่ต่ำกว่าที่มีเพียงประวัติของ B เพื่อพิสูจน์ความจำเป็นในการเพิ่มตัวแปร A และสาเหตุ Granger แต่อย่างใดอย่างหนึ่งจะตั้งเป้าหมายสำหรับแบบจำลองที่ดีที่สุดเท่าที่จะทำได้โดยใช้ประวัติของตัวเองของ B แล้วดูว่าการเพิ่ม A (ในบางรูปแบบ) ช่วยทำนาย B. และแน่นอน "ไก่ที่สมบูรณ์แบบ" เป็นแนวคิดที่ค่อนข้างอุดมคติ รับนี้ฉันคิดว่าการแก้ไขคำตอบเพื่อสะท้อนถึงนี้อาจเป็นความคิดที่ดี

— Richard Hardy