คำถามติดแท็ก causality

ผมเข้าใจว่าความสัมพันธ์ไม่ได้เป็นสาเหตุ สมมติว่าเรามีความสัมพันธ์สูงระหว่างตัวแปรสองตัว คุณจะตรวจสอบว่าความสัมพันธ์นี้เป็นเพราะสาเหตุได้อย่างไร? หรือภายใต้เงื่อนไขใดที่เราสามารถใช้ข้อมูลทดลองเพื่ออนุมานความสัมพันธ์เชิงสาเหตุระหว่างตัวแปรสองตัวหรือมากกว่าได้

30 correlation  mathematical-statistics  causality 

สัตว์เลี้ยงพูดถึงนักสถิติหลายคนคือ "สหสัมพันธ์ไม่ได้บอกเป็นนัยถึงสาเหตุ" นี่เป็นเรื่องจริง แต่สิ่งหนึ่งที่ดูเหมือนว่าส่อให้เห็นในที่นี้คือความสัมพันธ์มีค่าเพียงเล็กน้อยหรือไม่มีเลย มันเป็นเรื่องจริงเหรอ? มันไร้ประโยชน์หรือไม่ที่จะมีความรู้ว่าตัวแปรสองตัวมีความสัมพันธ์กัน? ฉันไม่สามารถจินตนาการได้ว่าเป็นกรณี ฉันไม่คุ้นเคยกับการวิเคราะห์เชิงทำนายอย่างน่ากลัว แต่ดูเหมือนว่าหากXเป็นตัวทำนายYมันจะมีประโยชน์ในการทำนายค่าในอนาคตที่YอิงตามXโดยไม่คำนึงถึงสาเหตุ ฉันเห็นคุณค่าของสหสัมพันธ์อย่างไม่ถูกต้องหรือไม่? และถ้าไม่นักสถิติหรือนักวิทยาศาสตร์ข้อมูลอาจใช้ความสัมพันธ์โดยไม่มีสาเหตุในสถานการณ์ใด

27 correlation  predictive-models  causality 

คำถาม:จากมุมมองของนักสถิติ (หรือผู้ประกอบการ) เราสามารถอนุมานสาเหตุที่เป็นเหตุเป็นผลโดยใช้คะแนนความชอบด้วยการศึกษาเชิงสังเกตการณ์ ( ไม่ใช่การทดลอง ) ได้หรือไม่ กรุณาอย่าต้องการที่จะเริ่มสงครามเปลวไฟหรือการอภิปรายที่คลั่ง ที่มา:ภายในโปรแกรมปริญญาเอกสถิติของเราเราได้เพียงสัมผัสในการอนุมานสาเหตุผ่านกลุ่มการทำงานและช่วงหัวข้อไม่กี่ อย่างไรก็ตามมีนักวิจัยที่โดดเด่นบางคนในแผนกอื่น ๆ (เช่น HDFS, สังคมวิทยา) ที่ใช้งานพวกเขาอย่างแข็งขัน ฉันได้เห็นการถกเถียงที่ค่อนข้างร้อนแรงในเรื่องนี้ ฉันไม่ได้ตั้งใจที่จะเริ่มที่นี่ ที่กล่าวว่าสิ่งที่คุณได้พบอ้างอิง? คุณมีมุมมองอะไร ตัวอย่างเช่นข้อโต้แย้งหนึ่งที่ฉันเคยได้ยินเกี่ยวกับคะแนนความชอบในฐานะที่เป็นเทคนิคการอนุมานเชิงสาเหตุคือไม่มีใครสามารถอนุมานสาเหตุเวรกรรมได้เนื่องจากการละเว้นตัวแปรอคติ - ถ้าคุณทิ้งอะไรที่สำคัญไปคุณก็เลิกโซ่สาเหตุ นี่เป็นปัญหาที่แก้ไขไม่ได้หรือไม่ ข้อความปฏิเสธความรับผิดชอบ:คำถามนี้อาจไม่มีคำตอบที่ถูกต้อง - เจ๋งมากเมื่อคลิก cw แต่โดยส่วนตัวแล้วฉันสนใจในการตอบกลับมากและจะมีความสุขกับการอ้างอิงที่ดีเพียงไม่กี่ข้อซึ่งรวมถึงตัวอย่างจริง

27 causality  propensity-scores 

หนังสือดีอะไรที่แนะนำการวิเคราะห์เชิงสาเหตุ ฉันคิดถึงการแนะนำที่ทั้งสองอธิบายหลักการของการวิเคราะห์เชิงสาเหตุและแสดงให้เห็นว่าวิธีการทางสถิติที่แตกต่างกันสามารถนำมาใช้ในการประยุกต์ใช้หลักการเหล่านี้ได้อย่างไร

25 references  causality 

เร็ว ๆ นี้ผมวิ่งข้ามเอกสารหลายและแหล่งข้อมูลออนไลน์ที่กล่าวถึงเกรนเจอร์เวรกรรม การสืบค้นสั้น ๆ ผ่านบทความ Wikipedia ที่เกี่ยวข้องทำให้ฉันรู้สึกว่าคำนี้หมายถึงความเป็นเหตุเป็นผลในบริบทของอนุกรมเวลา (หรือโดยทั่วไปคือกระบวนการสโตคาสติก ) นอกจากนี้การอ่านโพสต์บล็อกที่ดีนี้สร้างความสับสนเพิ่มเติมเกี่ยวกับวิธีการดูวิธีการนี้ ฉันไม่ได้เป็นคนที่มีความรู้เกี่ยวกับเวรกรรมเพราะความเข้าใจที่คลุมเครือของฉันของแนวคิดประกอบด้วยสามัญสำนึกบางส่วน, ความรู้ทั่วไป , การสัมผัสกับการสร้างแบบจำลองตัวแปรแฝงและการสร้างแบบจำลองสมการโครงสร้าง (SEM)และอ่านบิตจากงานของจูเดียเพิร์ล causality - ไม่ใช่หนังสือของเขา แต่เพิ่มเติมตามแนวของกระดาษภาพรวมที่น่าสนใจโดย Pearl (2009) ซึ่งด้วยเหตุผลบางอย่างที่น่าประหลาดใจไม่ได้พูดถึงสาเหตุของ Granger เลย ในบริบทนี้ฉันสงสัยว่าGranger causalityเป็นอะไรที่มากกว่ากรอบเวลาแบบสุ่ม (stochastic) และถ้าเป็นเช่นนั้นความสัมพันธ์ (commonalities และความแตกต่าง) กับกรอบการทำงานเชิงสาเหตุของ Pearl หรือไม่ SCM)ซึ่งเท่าที่ผมเข้าใจคือในที่สุดก็ขึ้นอยู่กับกราฟโดยตรงวัฏจักร (DABs ความ)และcounterfactuals มันดูเหมือนว่าเวรกรรมเกรนเจอร์สามารถแบ่งได้เป็นวิธีการทั่วไปที่จะอนุมานสาเหตุสำหรับระบบพลวัตพิจารณาการดำรงอยู่ของแบบจำลองพลวัตเชิงสาเหตุ (DCM)วิธีการ (Chicharro & Panzeri, 2014) อย่างไรก็ตามความกังวลของฉันเกี่ยวกับว่า (และถ้าเป็นเช่นนั้นอย่างไร) มันเป็นไปได้ที่จะเปรียบเทียบทั้งสองวิธีซึ่งหนึ่งในนั้นขึ้นอยู่กับการวิเคราะห์กระบวนการสุ่มและอีกวิธีไม่ได้ โดยทั่วไปสิ่งที่คุณคิดว่าจะเป็นที่เหมาะสมวิธีการระดับสูง - ถ้าเป็นไปได้ - …

21 stochastic-processes  causality  granger-causality 

บริบท คำถามยอดนิยมในไซต์นี้คือ " บาปทางสถิติทั่วไปคืออะไร " หนึ่งในความผิดที่กล่าวมานั้นคือการสันนิษฐานว่าลิงก์ จากนั้นในความคิดเห็นที่มี 5 upvotes แนะนำว่า: "Google ทำเงิน $ 65B ต่อปีโดยไม่สนใจความแตกต่าง" เมื่อมีความเสี่ยงในการวิเคราะห์คำศัพท์แสงฉันคิดว่านี่อาจเป็นจุดสนทนาที่มีประโยชน์สำหรับการแยกแยะความแตกต่างระหว่างสหสัมพันธ์และสาเหตุและความเกี่ยวข้องเชิงปฏิบัติของความแตกต่าง และบางทีมันอาจเน้นบางอย่างเกี่ยวกับความสัมพันธ์ระหว่างการเรียนรู้ของเครื่องและความแตกต่างระหว่างสหสัมพันธ์และสาเหตุ ฉันถือว่าความคิดเห็นคือการระบุเทคโนโลยีที่รองรับการสร้างผลลัพธ์ของเครื่องมือค้นหาและเทคโนโลยีที่เกี่ยวข้องกับการแสดงโฆษณา คำถาม ความแตกต่างระหว่างสหสัมพันธ์และสาเหตุที่เกี่ยวข้องกับการสร้างรายได้ของ Google อาจจะเน้นเฉพาะในการสร้างรายได้ผ่านเทคโนโลยีการแสดงผลโฆษณาที่เกี่ยวข้องและผลการค้นหาคุณภาพหรือไม่

21 machine-learning  causality 

ฉันสังเกตเห็นปัญหานี้มากขึ้นในการตั้งค่าการให้คำปรึกษาทางสถิติและฉันก็กระตือรือร้นที่จะรับความคิดของคุณ บริบท ฉันมักจะพูดคุยกับนักศึกษาวิจัยที่ได้ทำการศึกษาโดยประมาณดังนี้: การศึกษาแบบสังเกต ขนาดตัวอย่างอาจเป็น 100, 200, 300, ฯลฯ มีการวัดระดับจิตวิทยาหลายครั้ง (เช่นอาจวิตกกังวลซึมเศร้าบุคลิกภาพทัศนคติมาตราส่วนทางคลินิกอื่น ๆ อาจเป็นความฉลาด ฯลฯ ) นักวิจัยได้อ่านวรรณกรรมที่เกี่ยวข้องและมีความคิดบางอย่างเกี่ยวกับกระบวนการสาเหตุที่เป็นไปได้ บ่อยครั้งที่จะมีแนวคิดทั่วไปของตัวแปรในสิ่งที่มาจากบรรพบุรุษตัวแปรกระบวนการและตัวแปรผลลัพธ์ พวกเขายังเคยได้ยินด้วยว่าการสร้างแบบจำลองสมการเชิงโครงสร้างนั้นเหมาะสมกว่าสำหรับการทดสอบแบบจำลองโดยรวมของความสัมพันธ์ระหว่างชุดของตัวแปรที่พวกเขากำลังศึกษาอยู่ คำถาม ภายใต้เงื่อนไขใดที่คุณคิดว่าการสร้างแบบจำลองสมการเชิงโครงสร้างเป็นเทคนิคที่เหมาะสมสำหรับการวิเคราะห์การศึกษาดังกล่าว หากคุณไม่แนะนำการสร้างแบบจำลองสมการเชิงโครงสร้างคุณจะแนะนำเทคนิคทางเลือกใด? คุณมีคำแนะนำอะไรให้กับนักวิจัยที่พิจารณาการใช้แบบจำลองสมการโครงสร้างในกรณีเช่นนี้?

20 scales  causality  sem  observational-study 

จากหน้าวิกิพีเดียหัวข้อความสัมพันธ์ไม่ได้หมายความถึงเวรกรรม , สำหรับเหตุการณ์ที่มีความสัมพันธ์สองเหตุการณ์ A และ B ความสัมพันธ์ที่เป็นไปได้ที่แตกต่างกัน ได้แก่ : สาเหตุ B (สาเหตุโดยตรง); B ทำให้เกิด A (การกลับรายการตรงกันข้าม); A และ B เป็นผลสืบเนื่องจากสาเหตุที่พบบ่อย แต่ไม่ก่อให้เกิดซึ่งกันและกัน A และ B ทั้งสองทำให้ C ซึ่งเป็นเงื่อนไข (อย่างชัดเจนหรือโดยปริยาย) เมื่อ; สาเหตุ B และ B ทำให้ A (สาเหตุสองทิศทางหรือเป็นรอบ); สาเหตุ C ซึ่งทำให้ B (สาเหตุทางอ้อม); ไม่มีการเชื่อมต่อระหว่าง A และ B ความสัมพันธ์เป็นเรื่องบังเอิญ จุดที่สี่หมายถึงอะไร A และ B …

19 correlation  causality 

ฉันสนใจที่จะทดสอบโมเดลการไกล่เกลี่ยอย่างง่ายกับหนึ่ง IV หนึ่ง DV และหนึ่งสื่อกลาง ผลทางอ้อมมีความสำคัญเมื่อทดสอบโดยมาโคร Preacher และ Hayes SPSS ซึ่งแนะนำว่าคนกลางทำหน้าที่เป็นสื่อกลางในการสื่อความสัมพันธ์ เมื่ออ่านเกี่ยวกับการไกล่เกลี่ยฉันได้อ่านสิ่งต่าง ๆ เช่น "โปรดสังเกตว่าแบบจำลองสื่อกลางเป็นแบบจำลองเชิงสาเหตุ" - เดวิดเคนนี แน่นอนฉันสามารถชื่นชมการใช้แบบจำลองการไกล่เกลี่ยเป็นแบบจำลองเชิงสาเหตุและแน่นอนถ้าแบบจำลองทางทฤษฎีฟังดูแล้วฉันจะเห็นว่ามันมีประโยชน์มาก ในแบบจำลองของฉันอย่างไรก็ตามผู้ไกล่เกลี่ย (ลักษณะที่พิจารณาว่าเป็น diathesis สำหรับโรควิตกกังวล) ไม่ได้เกิดจากตัวแปรอิสระ (อาการของโรควิตกกังวล) ค่อนข้างคนกลางและตัวแปรอิสระมีความเกี่ยวข้องและฉันเชื่อว่าความสัมพันธ์ระหว่างตัวแปรอิสระและตัวแปรตามสามารถอธิบายได้ส่วนใหญ่โดยความแปรปรวนระหว่าง IV-mediator-DV ในสาระสำคัญฉันพยายามแสดงให้เห็นว่ารายงานก่อนหน้านี้ของความสัมพันธ์ IV-DV สามารถอธิบายได้โดยผู้ไกล่เกลี่ยที่เกี่ยวข้องที่ไม่ได้เกิดจาก IV การไกล่เกลี่ยมีประโยชน์ในกรณีนี้เนื่องจากอธิบายว่าความสัมพันธ์ IV-DV สามารถอธิบายทางสถิติโดยความสัมพันธ์ IV-Mediator-DV ได้อย่างไร ปัญหาของฉันคือคำถามเกี่ยวกับสาเหตุ การตรวจสอบกลับมาและบอกเราว่าการไกล่เกลี่ยไม่เหมาะสมเพราะในความเป็นจริง IV ไม่ได้เป็นสาเหตุของผู้ไกล่เกลี่ย (ซึ่งฉันจะไม่เคยโต้เถียงในตอนแรก)? มันสมเหตุสมผลหรือไม่ ข้อเสนอแนะใด ๆ เกี่ยวกับเรื่องนี้จะได้รับการชื่นชมอย่างมาก! แก้ไข : สิ่งที่ฉันหมายถึงคือ X มีความสัมพันธ์กับ Y …

19 causality  mediation 

คำศัพท์ที่นี่เป็นระเบียบ "สมการโครงสร้าง" เป็นเรื่องที่คลุมเครือว่า "สถาปัตยกรรมสะพาน" และ "เครือข่ายแบบเบย์" คือไม่ได้ภายในแบบเบย์ ยิ่งกว่านั้น God-of-causality Judea Pearl กล่าวว่าโรงเรียนทั้งสองแห่งมีรูปแบบเหมือนกันเกือบจะเหมือนกัน ดังนั้นอะไรคือความแตกต่างที่สำคัญ? (น่าประหลาดใจสำหรับฉันหน้า Wikipedia สำหรับ SEM ไม่ได้รวมคำว่า "เครือข่าย" ไว้ในการเขียนนี้)

19 sem  bayesian-network  causality 

ฉันเพิ่งจะได้สอบซึ่งเรานำเสนอด้วยสองตัวแปร ในเกมเผด็จการที่มีเผด็จการจะได้รับ 100 USD และสามารถเลือกได้ว่าจะส่งหรือเก็บรักษาตัวเองเท่าใดมีความสัมพันธ์เชิงบวกระหว่างอายุและจำนวนเงินที่ผู้เข้าร่วมตัดสินใจเก็บไว้ ความคิดของฉันคือคุณไม่สามารถอนุมานสาเหตุจากสิ่งนี้เพราะคุณไม่สามารถอนุมานสาเหตุจากความสัมพันธ์ เพื่อนร่วมชั้นของฉันคิดว่าคุณทำได้เพราะถ้าคุณแยกผู้เข้าร่วมออกเป็นสามกลุ่มคุณจะเห็นว่าพวกเขาต่างกันในเรื่องที่พวกเขารักษาและจำนวนที่พวกเขาแบ่งปันกันและสรุปว่าอายุทำให้พวกเขาเก็บมากขึ้น ใครถูกต้องและทำไม

17 correlation  causality 

ฉันกำลังมองหากรณีที่เฉพาะเจาะจงจริงซึ่งความสัมพันธ์เชิงสาเหตุถูกอนุมานอย่างไม่เหมาะสมจากหลักฐานของความสัมพันธ์ โดยเฉพาะฉันสนใจตัวอย่างที่ตรงตามเกณฑ์ต่อไปนี้: การดำรงอยู่ของความสัมพันธ์เชิงสาเหตุได้รับการยอมรับในความเป็นจริงอย่างกว้างขวางพอที่จะมีผลกระทบที่โดดเด่น (ในนโยบายสาธารณะวาทกรรมการตัดสินใจรายบุคคล ฯลฯ ) การเชื่อมโยงถูกอนุมานเพียงอย่างเดียวบนพื้นฐานของหลักฐานความสัมพันธ์ (อาจพร้อมกับการดำรงอยู่ของกลไกสาเหตุที่สอดคล้องกัน แต่ไม่ได้พิสูจน์) เวรกรรมได้รับการปลอมแปลงอย่างเป็นกลางหรืออย่างน้อยก็มีข้อสงสัยร้ายแรง ตัวอย่างที่สองที่นึกขึ้นมาได้สำหรับฉันนั้นไม่ค่อยเหมาะนัก: การได้รับโซเดียมและความดันโลหิต:ตามที่ฉันเข้าใจแล้วมีการพิจารณาแล้วว่าการบริโภคเกลือเพิ่มความดันโลหิตในบุคคลที่มีความไวต่อโซเดียมเท่านั้น การมีอยู่ของความสัมพันธ์เชิงสาเหตุที่ถูกต้อง (แม้ว่าจะไม่ใช่สิ่งที่ยอมรับกันในตอนแรก) ทำให้ตัวอย่างนี้น่าสนใจน้อยลง วัคซีนและออทิสติก:ฉันอาจมีความผิดพลาด แต่ฉันเชื่อว่าลิงก์นี้มีการคาดการณ์บนพื้นฐานของความสัมพันธ์และหลักฐานการทดลอง (หลอกลวง) ตัวอย่างนี้อ่อนแอลงเนื่องจากข้อเท็จจริงที่ว่ามีหลักฐานโดยตรง (ปลอม) อยู่ หมายเหตุ:ฉันเคยเห็นคำถามที่คล้ายกันนี้: ตัวอย่างสำหรับการสอน: ความสัมพันธ์ไม่ได้หมายถึงสาเหตุ คำถามของฉันมีความแตกต่างเป็นหลักในการมุ่งเน้นไปที่ตัวอย่างที่เด่นชัดและเป็นจริงไม่ใช่ในตัวอย่างที่ไม่มีสาเหตุของการเชื่อมโยงเชิงสาเหตุ (เช่นน้ำหนักและทักษะทางดนตรี)

17 correlation  causality 

ฉันรู้ว่าความสัมพันธ์ไม่ได้บ่งบอกถึงสาเหตุ แต่เป็นจุดแข็งและทิศทางของความสัมพันธ์ การถดถอยเชิงเส้นอย่างง่ายหมายความถึงสาเหตุหรือไม่? หรือการทดสอบสถิติเชิงอนุมาน (t-test ฯลฯ ) จำเป็นสำหรับสิ่งนั้นหรือไม่?

17 regression  correlation  causality 

กราฟไซเคิลกำกับ (DAGs; เช่น, กรีนแลนด์และอัล, 1999) เป็นส่วนหนึ่งของการอนุมานเชิงสาเหตุของการอนุมานเชิงสาเหตุจากการตีความเชิงลบของค่ายเหตุ ในกราฟเหล่านี้การมีลูกศรจากตัวแปรAAAไปยังตัวแปรอ้างว่าตัวแปรสาเหตุโดยตรง (การเปลี่ยนแปลงความเสี่ยง) ตัวแปรและการไม่มีลูกศรดังกล่าวยืนยันว่าตัวแปรไม่ได้ก่อให้เกิดโดยตรง ของ) ตัวแปรBBBBAAABBBAAABBB ยกตัวอย่างเช่นคำแถลง "การสัมผัสกับควันบุหรี่โดยตรงทำให้เกิดการเปลี่ยนแปลงความเสี่ยงของ Mesothelioma" โดยลูกศรสีดำจาก "การสัมผัสกับควันบุหรี่" เป็น "Mesothelioma" ในแผนภาพสาเหตุDAG ไม่ใช่ด้านล่าง ในทำนองเดียวกันคำแถลง "การเปิดรับแร่ใยหินโดยตรงทำให้เกิดการเปลี่ยนแปลงความเสี่ยงของ Mesothelioma" ถูกแสดงโดยลูกศรสีดำจาก "การสัมผัสแร่ใยหิน" เป็น "Mesothelioma" ในกราฟสาเหตุไม่ใช่ DAGด้านล่าง ฉันใช้คำที่ไม่ใช่ DAGเพื่ออธิบายกราฟสาเหตุด้านล่างเนื่องจากลูกศรสีแดงซึ่งฉันตั้งใจจะยืนยันบางสิ่งเช่น "การสัมผัสกับแร่ใยหินทำให้เกิดการเปลี่ยนแปลงในผลกระทบโดยตรงจากการได้รับควันบุหรี่จากความเสี่ยงของ Mesothelioma" (ใยหินทำกายภาพ ความเสียหายต่อเซลล์ของปอดนั้นนอกจากจะทำให้เกิดความเสี่ยงต่อการเปลี่ยนแปลงของ Mesothelioma โดยตรงยังทำให้เซลล์มีความเสี่ยงต่อการเกิดมะเร็งจากการสัมผัสควันบุหรี่มากขึ้นและทำให้การสัมผัสกับแร่ใยหินและยาสูบเพิ่มขึ้น ความเสี่ยงที่มากกว่าผลรวมของความเสี่ยงแยกกันทั้งสอง) และสิ่งนี้ค่อนข้างไม่สอดคล้องกับความหมายที่เป็นทางการของลูกศรสาเหตุใน DAG ที่ฉันอธิบายเมื่อเริ่มต้นคำถามของฉัน (เช่นเพราะลูกศรสีแดงไม่ยุติในตัวแปร) หนึ่งจะแสดงผลกระทบปฏิสัมพันธ์อย่างถูกต้องภายในพิธีการทางสายตาของ DAG อย่างไร อ้างอิง กรีนแลนด์, เอส., เพิร์ล, เจและโรบินส์, …

17 interaction  causality  dag 

คำจำกัดความทางคณิตศาสตร์ของความสัมพันธ์เชิงสาเหตุระหว่างตัวแปรสุ่มสองตัวคืออะไร ได้รับตัวอย่างจากการจัดจำหน่ายร่วมกันของสองตัวแปรสุ่มและเมื่อเราจะพูดทำให้เกิด ?XXXYYYXXXYYY สำหรับบริบทฉันกำลังอ่านบทความนี้เกี่ยวกับการค้นพบสาเหตุ

16 machine-learning  causality