อะไรคือความสัมพันธ์ระหว่างการอนุมานเชิงสาเหตุและการทำนาย?


10

อะไรคือความสัมพันธ์และความแตกต่างระหว่างการอนุมานเชิงสาเหตุและการทำนาย (ทั้งการจำแนกและการถดถอย)?

ในบริบทการทำนายเรามีตัวแปรตัวทำนาย / อินพุตและตัวแปรตอบกลับ / เอาต์พุต นั่นหมายความว่ามีความสัมพันธ์เชิงสาเหตุระหว่างตัวแปรอินพุตและเอาต์พุตหรือไม่ ดังนั้นการทำนายเป็นของการอนุมานสาเหตุหรือไม่?

ถ้าฉันเข้าใจถูกต้องการอนุมานเชิงสาเหตุจะพิจารณาการแจกแจงแบบมีเงื่อนไขของตัวแปรสุ่มหนึ่งตัวที่ให้ตัวแปรสุ่มอีกตัวหนึ่งและมักจะใช้ตัวแบบกราฟิกเพื่อแสดงความเป็นอิสระแบบมีเงื่อนไขระหว่างตัวแปรสุ่ม ดังนั้นการอนุมานเชิงสาเหตุในแง่นี้ไม่ได้คาดการณ์ไว้ใช่ไหม


1
คุณเคยดูการแข่งขัน Kaggle ครั้งนี้หรือไม่? kaggle.com/c/cause-effect-pairsคุณอาจพบสิ่งที่น่าสนใจ
Simone

1
บทความนี้พูดถึงความแตกต่าง: Galit Shmueli, เพื่ออธิบายหรือทำนาย? นักสถิติ วิทย์ เล่มที่ 25, หมายเลข 3 (2010), 289-310
Shu Zhang

คำตอบ:


6

สาเหตุการอนุมานมุ่งเน้นไปที่การรู้สิ่งที่เกิดขึ้นกับเมื่อคุณเปลี่ยนXการทำนายมุ่งเน้นไปที่การรู้ว่าต่อไปให้ (และอะไรก็ได้ที่คุณมี)YXYX

โดยปกติในการอนุมานเชิงสาเหตุคุณต้องการการประเมินผลของต่อ Y โดยไม่ลำเอียงในการทำนายคุณมักจะยอมรับอคติเล็กน้อยถ้าคุณและลดความแปรปรวนของการทำนายของคุณX


2
คำตอบนี้ละเลยความแตกต่างระหว่างโมเดลเชิงสาเหตุและเชื่อมโยง
Neil G

1
การเชื่อมโยงเป็นค่าเริ่มต้นใช่หรือไม่ และจะไม่ทำให้เกิดการซ้อนกันภายในการเชื่อมโยง? ฉันไม่เคยได้ยินใครพูดถึง '' แบบจำลองการเชื่อมโยง '' ยกเว้นอาจดูถูกเหยียดหยามในกรณีที่ผลกระทบเชิงสาเหตุถูกทำให้สับสน
generic_user

1
โอเคฉันเห็นประเด็นของคุณว่าการเชื่อมโยงเป็นค่าเริ่มต้นและโมเดลเชิงสาเหตุนั้น "ซ้อนกัน" ในแง่ที่ว่ามันมีพลังมากกว่า คำถามคือความแตกต่างระหว่างตัวแบบเชิงสาเหตุกับการถดถอยหรือการจำแนกประเภท (ตัวแบบการเชื่อมโยง) และความแตกต่างที่สำคัญคือ: ในขณะที่คุณสามารถถดถอยจากสาเหตุไปสู่ผลกระทบของพวกเขาหรือจากผลกระทบไปยังสาเหตุบางอย่างสมมุติ; ในโมเดลเชิงสาเหตุความสัมพันธ์จะถูกชี้นำ (เป็นสาเหตุของผลกระทบ) ทิศทางเหล่านี้จำเป็นสำหรับการสนับสนุนการใช้เหตุผลแบบ interventional ซึ่งโมเดลการเชื่อมโยงไม่สามารถรองรับได้
Neil G

6

การอนุมานเชิงสาเหตุต้องใช้โมเดลเชิงสาเหตุ แบบจำลองดังกล่าวสามารถใช้ในการอนุมาน (ทำนาย) ตัวแปรบางอย่างที่ให้การสังเกตและการแทรกแซงที่ตัวแปรอื่น ๆ การถดถอยและการจำแนกประเภทไม่มีความต้องการเชิงสาเหตุดังนั้นจึงไม่มีอะไรเกี่ยวข้องกับการใช้เหตุผลแบบแทรกแซง

โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.