คำถามติดแท็ก causality

ใน "หนังสือแห่งเหตุผล" ของจูเดียเพิร์ลเขาพูดถึงสิ่งที่เขาเรียกว่า Ladder of Causation ซึ่งโดยพื้นฐานแล้วเป็นลำดับขั้นประกอบด้วยระดับการใช้เหตุผลเชิงเหตุผลที่แตกต่างกัน ต่ำสุดเกี่ยวข้องกับรูปแบบของการเชื่อมโยงในข้อมูลที่สังเกตได้ (เช่นความสัมพันธ์ความน่าจะเป็นแบบมีเงื่อนไข ฯลฯ ) ถัดไปจะมุ่งเน้นไปที่การแทรกแซง (จะเกิดอะไรขึ้นถ้าเราจงใจเปลี่ยนกระบวนการสร้างข้อมูลด้วยวิธีการ counterfactual (จะเกิดอะไรขึ้นในอีกโลกหนึ่งที่เป็นไปได้ถ้ามีอะไรเกิดขึ้นหรือไม่เกิดขึ้น) สิ่งที่ฉันไม่เข้าใจคือขั้นที่สองและสามต่างกันอย่างไร หากเราถามคำถามต่อต้านเราไม่เพียงถามคำถามเกี่ยวกับการแทรกแซงเพื่อลบล้าง แง่มุมบางส่วนของโลกที่ถูกสังเกต?

12 causality 

นักเศรษฐศาสตร์เชิงวิชาการมักให้ความสนใจในการกำหนดเวรกรรม ดูเหมือนว่างานด้านวิทยาศาสตร์สถิติ / ข้อมูลภาคเอกชนทั้งหมดที่ฉันได้ยินเกี่ยวกับการหาแบบจำลองการทำนาย มีงานใดในภาคเอกชน (หรืองานของรัฐ) ที่เป็นสาเหตุการวิจัย?

12 econometrics  causality  careers 

หากเราต้องการคำนวณผลกระทบเชิงสาเหตุของต่อในกราฟสาเหตุด้านล่างเราสามารถใช้ทั้งการปรับประตูหลังและทฤษฎีการปรับประตูหน้าเช่น Y P ( y | do ( X = x ) ) = ∑ u P ( y | x , u ) P ( u )XXXYYYP( y| ทำ (X= x ) ) = ∑ยูP( y| x,u)P( u )P(y|do(X=x))=∑uP(y|x,u)P(u)P(y | \textit{do}(X = x)) = \sum_u P(y | x, u) …

12 self-study  causality  graph-theory  dag 

ฉันหมายถึงการปรับประตูหลังและการปรับประตูหน้าที่นี่ : การปรับประตูหลัง : ปัญหาทางระบาดวิทยาทางโบราณคดีในทางสถิติคือการปรับให้ได้ผลของคู่หูที่วัดได้ เกณฑ์ด้านหลังของ Pearl ทำให้ความคิดนี้เป็นเรื่องปกติ การปรับประตูหน้า : หากตัวแปรบางตัวไม่มีการตรวจสอบเราอาจต้องใช้วิธีการอื่นเพื่อระบุผลกระทบเชิงสาเหตุ หน้านี้ยังมาพร้อมกับคำจำกัดความทางคณิตศาสตร์ที่แม่นยำสำหรับคำสองคำข้างต้น คุณทำให้คนธรรมดาเข้าใจความแตกต่างระหว่างการปรับประตูหลังและประตูหน้าตามคำจำกัดความทางคณิตศาสตร์ข้างต้นได้อย่างไร

12 causality  dag 

ฉันสงสัยว่าตัวแปรเครื่องมือจัดการอคติการเลือกอย่างไรในการถดถอย นี่คือตัวอย่างที่ฉันกำลังพูดถึง: ในเศรษฐมิติที่ไม่เป็นอันตรายส่วนใหญ่ผู้เขียนอภิปรายเกี่ยวกับการถดถอย IV ที่เกี่ยวข้องกับการรับราชการทหารและรายได้ในภายหลัง คำถามคือ "การรับราชการในกองทัพเพิ่มหรือลดรายได้ในอนาคตหรือไม่" พวกเขาสำรวจคำถามนี้ในบริบทของสงครามเวียดนาม ฉันเข้าใจว่าการรับราชการทหารไม่สามารถสุ่มมอบหมายได้และนี่เป็นปัญหาสำหรับการอนุมานเชิงสาเหตุ ในการแก้ไขปัญหานี้ผู้วิจัยใช้ร่างเกณฑ์ (เช่นใน "หมายเลขร่างของคุณเรียกว่า") เป็นเครื่องมือสำหรับการรับราชการทหารที่แท้จริง ที่ทำให้ความรู้สึก: ร่างเวียดนามสุ่มมอบหมายคนอเมริกันหนุ่มทหาร (ในทางทฤษฎี - ไม่ว่านาวิกเสิร์ฟจริงสัมผัสกับคำถามของฉัน) เงื่อนไข IV อื่น ๆ ของเราดูแข็งแกร่ง: การมีสิทธิ์เข้าร่วมร่างและการเกณฑ์ทหารที่แท้จริงนั้นมีความสัมพันธ์กันในทางบวก นี่คือคำถามของฉัน ดูเหมือนว่าคุณจะได้รับอคติในการเลือกตนเอง: บางทีเด็ก ๆ ที่ร่ำรวยขึ้นอาจออกจากการรับใช้ในเวียดนามแม้ว่าจะมีการเรียกหมายเลขร่าง (ถ้าไม่ใช่อย่างนั้นจริง ๆ ลองทำเพื่อคำถามของฉัน) หากการเลือกตนเองนี้สร้างอคติเชิงระบบภายในตัวอย่างของเราตัวแปรเครื่องมือของเราจะจัดการอคตินี้อย่างไร เราต้อง จำกัด ขอบเขตการอนุมานของเราให้แคบลงหรือไม่ "ประเภทของคนที่ไม่สามารถหลบหนีจากร่างได้" หรือ IV ก็กอบกู้บางส่วนของการอนุมานของเรา? หากใครสามารถอธิบายวิธีการทำงานนี้ฉันจะขอบคุณมาก

11 regression  econometrics  bias  causality  instrumental-variables 

ฉันกำลังมองหากระดาษที่ฉันหวังว่าจะมีอยู่ แต่ไม่รู้ว่ามันจะเป็นอย่างไร มันอาจเป็นชุดของกรณีศึกษาและ / หรือข้อโต้แย้งจากทฤษฎีความน่าจะเป็นเกี่ยวกับสาเหตุที่ใช้ข้อมูลภาคตัดขวางในการอนุมาน / ทำนายการเปลี่ยนแปลงตามยาวอาจเป็นสิ่งที่ไม่ดี (เช่นนั้นไม่จำเป็น ฉันได้เห็นความผิดพลาดที่เกิดขึ้นในสองวิธีใหญ่ ๆ : การอนุมานนั้นเกิดขึ้นเพราะคนที่ร่ำรวยกว่าในอังกฤษเดินทางมากขึ้นจากนั้นเมื่อสังคมได้รับความนิยมมากขึ้นประชากรโดยรวมจะเดินทางมากขึ้น การอนุมานนั้นกลายเป็นเรื่องจริงเป็นระยะเวลานานกว่าทศวรรษ และรูปแบบที่คล้ายคลึงกันกับการใช้ไฟฟ้าในประเทศ: ข้อมูลแบบภาคตัดขวางหมายถึงการเพิ่มขึ้นอย่างมากของรายได้ซึ่งไม่ได้เกิดขึ้นตามกาลเวลา มีหลายสิ่งที่เกิดขึ้นรวมถึงผลกระทบของหมู่และข้อ จำกัด ด้านอุปทาน มันจะมีประโยชน์มากที่จะมีการอ้างอิงเดียวที่รวบรวมกรณีศึกษาเช่นนั้น และ / หรือใช้ทฤษฎีความน่าจะเป็นเพื่อแสดงให้เห็นว่าเหตุใดการใช้ข้อมูลภาคตัดขวางเพื่ออนุมาน / ทำนายการเปลี่ยนแปลงระยะยาวอาจทำให้เข้าใจผิดได้มาก มีกระดาษชนิดนี้อยู่หรือไม่ถ้าอย่างนั้นมันคืออะไร?

11 references  panel-data  inference  causality  cross-section 

ฉันทราบเกี่ยวกับการทดสอบการตั้งค่าใหม่ของ Ramsey ซึ่งอาจตรวจพบการพึ่งพาแบบไม่เชิงเส้น อย่างไรก็ตามหากคุณเพิ่งโยนหนึ่งในสัมประสิทธิ์การถดถอย (เพียงแค่การอ้างอิงเชิงเส้น) คุณอาจได้รับอคติขึ้นอยู่กับความสัมพันธ์ เห็นได้ชัดว่านี่ไม่ถูกตรวจพบโดยการทดสอบการรีเซ็ต ฉันไม่พบการทดสอบสำหรับกรณีนี้ แต่คำสั่งนี้: "คุณไม่สามารถทดสอบ OVB ยกเว้นโดยรวมถึงตัวแปรที่อาจตัดทิ้ง" มันอาจเป็นข้อความที่สมเหตุสมผลใช่มั้ย

11 regression  multiple-regression  bias  causality  diagnostic 

รูปแบบมาตรฐานของตัวแปรเครื่องมือในแง่ของ causality ( ->) คือ: Z -> X -> Y โดยที่ Z เป็นเครื่องมือ, X คือตัวแปรภายนอกและการตอบสนอง Y เป็นไปได้ไหมว่ามีความสัมพันธ์ต่อไปนี้: Z <- X ->Y Z <-> X ->Y ถูกต้องหรือไม่ ในขณะที่ความสัมพันธ์ระหว่างเครื่องมือและตัวแปรเป็นที่พอใจฉันจะคิดถึงการ จำกัด การยกเว้นในกรณีเช่นนี้ได้อย่างไร หมายเหตุ: สัญลักษณ์<->ไม่ชัดเจนและอาจนำไปสู่ความเข้าใจที่แตกต่างกันของปัญหา แต่ถึงกระนั้นคำตอบก็เน้นที่ปัญหานี้และใช้เพื่อแสดงประเด็นสำคัญของปัญหา เมื่ออ่านโปรดดำเนินการด้วยความระมัดระวังเกี่ยวกับส่วนนี้ของคำถาม

11 causality  instrumental-variables  endogeneity 

คุณสามารถแนะนำหนังสือบทความเรียงความบทเรียน / หลักสูตรออนไลน์และอื่น ๆ ที่น่าสนใจและมีประโยชน์สำหรับนักระบาดวิทยา / นักชีวสถิติเพื่อเรียนรู้เกี่ยวกับปรัชญาของการอนุมานสาเหตุ / สาเหตุ ฉันรู้ค่อนข้างน้อยเกี่ยวกับการใช้การอนุมานเชิงสาเหตุจากกรอบ epi และ biostats แต่ฉันต้องการเรียนรู้บางอย่างเกี่ยวกับปรัชญาที่สนับสนุนและกระตุ้นงานนี้ ตัวอย่างเช่นมันเป็นความเข้าใจของฉันที่ฮูมพูดถึงความคิดแรกที่สามารถตีความได้ว่าเป็นของต่อต้าน โดยทั่วไปฉันไม่มีการฝึกอบรมหรือมีประสบการณ์เกี่ยวกับปรัชญาดังนั้นฉันต้องการสิ่งที่ค่อนข้างเกริ่นนำเพื่อเริ่มต้นด้วย แต่ฉันจะสนใจคำแนะนำสำหรับข้อความ / ผู้เขียนที่ซับซ้อน แต่สำคัญ / พื้นฐาน / ผู้เขียน (แต่โปรดระบุว่าพวกเขาไม่ได้เกริ่นนำ) ฉันหวังว่านี่จะไม่ใช่หัวข้อที่เกินไปสำหรับการตรวจสอบข้าม แต่ฉันหวังว่าคุณบางคนจะอยู่ในเรือลำเดียวกันกับฉันก่อนหน้านี้และสามารถแบ่งปันทรัพยากรที่คุณโปรดปราน

11 references  causality  philosophical 

ให้บอกว่าฉันมีตารางที่มีคอลัมน์ "A", "B" มีวิธีการทางสถิติเพื่อตรวจสอบว่า "A" ทำให้ "B" เกิดขึ้นหรือไม่? เราไม่สามารถใช้ r ของ Pearson ได้เพราะ: มันเพียงทดสอบความสัมพันธ์ระหว่างค่า สหสัมพันธ์ไม่ใช่สาเหตุ เพียร์สัน r สามารถสัมพันธ์เชิงเส้นสัมพันธ์เท่านั้น ฉันมีตัวเลือกอื่นที่นี่อีกไหม

11 correlation  causality 

ฉันกำลังแก้ไขการถดถอยเชิงเส้น หนังสือเรียนของ Greene กล่าวว่า: ตอนนี้แน่นอนจะมีสมมติฐานอื่น ๆ ในรูปแบบการถดถอยเชิงเส้นเช่น 0 สมมติฐานนี้รวมกับข้อสมมติเชิงเส้นตรง (ซึ่งมีผลบังคับใช้กำหนด ) วางโครงสร้างบนแบบจำลองϵE(ϵ|X)=0E(ϵ|X)=0E(\epsilon|X)=0ϵϵ\epsilon อย่างไรก็ตามการวางตัวเป็นเส้นตรงด้วยตัวมันเองไม่ได้วางโครงสร้างใด ๆ ไว้ในแบบจำลองของเราเนื่องจากสามารถทำได้โดยพลการอย่างสมบูรณ์ สำหรับตัวแปรใด ๆไม่ว่าอะไรก็ตามความสัมพันธ์ระหว่างเราสองคนนั้นสามารถกำหนดเช่นนั้นเพื่อให้สมมติฐานเชิงเส้นตรง ดังนั้นความเป็นเส้นตรง "สมมติฐาน" ควรเรียกว่านิยามของๆ แทนที่จะเป็นข้อสมมติX , y ϵ ϵϵϵ\epsilonX,yX,yX, yϵϵ\epsilonϵϵ\epsilon ดังนั้นฉันสงสัย : กรีนเป็นคนเลอะเทอะหรือเปล่า? จริง ๆ แล้วเขาควรจะเขียน: ? นี่คือ "สมมติฐานเชิงเส้นตรง" ที่วางโครงสร้างในแบบจำลองE(y|X)=XβE(y|X)=XβE(y|X)=X\beta หรือฉันต้องยอมรับว่าการวางตัวเป็นเส้นตรงไม่ได้วางโครงสร้างลงบนแบบจำลอง แต่จะกำหนดเท่านั้นโดยที่สมมติฐานอื่น ๆ จะใช้นิยามของเพื่อวางโครงสร้างบนแบบจำลองϵϵϵ\epsilonϵϵ\epsilon แก้ไข : เนื่องจากมีความสับสนรอบสมมติฐานอื่นให้ฉันเพิ่มชุดเต็มของสมมติฐานที่นี่: นี่คือจากกรีน, การวิเคราะห์ทางเศรษฐมิติ, 7 เอ็ด พี 16

10 econometrics  linear-model  assumptions  causality  definition 

ต่อไปนี้เป็นคำถามเกี่ยวกับการสร้างภาพข้อมูลจำนวนมากที่เสนอเป็น 'พิสูจน์ด้วยภาพ' ของการดำรงอยู่ของบุคคลที่ผิดธรรมดาของ Simpson และอาจเป็นคำถามเกี่ยวกับคำศัพท์ ซิมป์สัน Paradox เป็นปรากฏการณ์ที่ค่อนข้างง่ายที่จะอธิบายและยกตัวอย่างตัวเลขของ (เหตุผลที่ว่าทำไมนี้สามารถเกิดขึ้นได้เป็นลึกและน่าสนใจ) ความขัดแย้งก็คือมีตารางฉุกเฉิน 2x2x2 อยู่ (Agresti, การวิเคราะห์ข้อมูลอย่างมีหมวดหมู่) ซึ่งสมาคมร่อแร่มีทิศทางที่แตกต่างจากความสัมพันธ์ตามเงื่อนไข นั่นคือการเปรียบเทียบอัตราส่วนในสองประชากรย่อยสามารถไปในทิศทางเดียว แต่การเปรียบเทียบในประชากรที่รวมกันไปในทิศทางอื่น ในสัญลักษณ์: มีเช่นนั้น a + ba , b , c , d, e , f, g, ชั่วโมงa,b,c,d,e,f,g,ha,b,c,d,e,f,g,ha + bc + d&gt; e + fก.+ ชมa+bc+d&gt;e+fg+h \frac{a+b}{c+d} > \frac{e+f}{g+h} แต่ และaค&lt; eก.ac&lt;eg \frac{a}{c} < \frac{e}{g} …

10 mathematical-statistics  data-visualization  causality  contingency-tables  simpsons-paradox 

ฉันกำลังทบทวนแพคเกจ R OpenMx สำหรับการวิเคราะห์ทางระบาดวิทยาทางพันธุกรรมเพื่อเรียนรู้วิธีการระบุและเหมาะสมกับแบบจำลอง SEM ฉันยังใหม่กับสิ่งนี้ดังนั้นทนกับฉัน ฉันกำลังตัวอย่างต่อไปนี้ในหน้า 59 ของคู่มือการใช้งาน OpenMx ที่นี่พวกเขาวาดโมเดลแนวคิดต่อไปนี้: และในการระบุเส้นทางพวกเขาตั้งค่าน้ำหนักของโหนด "หนึ่ง" แฝงไปยังโหนด bmi "T1" และ "T2" ที่ประจักษ์เป็น 0.6 เพราะ: เส้นทางหลักที่น่าสนใจคือจากตัวแปรแฝงแต่ละตัวไปยังตัวแปรที่สังเกตได้ สิ่งเหล่านี้ได้รับการประเมิน (ซึ่งทั้งหมดถูกตั้งค่าไว้ฟรี) รับค่าเริ่มต้น 0.6 และป้ายกำกับที่เหมาะสม # path coefficients for twin 1 mxPath( from=c("A1","C1","E1"), to="bmi1", arrows=1, free=TRUE, values=0.6, label=c("a","c","e") ), # path coefficients for twin 2 mxPath( from=c("A2","C2","E2"), to="bmi2", …

10 correlation  sem  causality  paired-data 

อะไรคือความสัมพันธ์และความแตกต่างระหว่างการอนุมานเชิงสาเหตุและการทำนาย (ทั้งการจำแนกและการถดถอย)? ในบริบทการทำนายเรามีตัวแปรตัวทำนาย / อินพุตและตัวแปรตอบกลับ / เอาต์พุต นั่นหมายความว่ามีความสัมพันธ์เชิงสาเหตุระหว่างตัวแปรอินพุตและเอาต์พุตหรือไม่ ดังนั้นการทำนายเป็นของการอนุมานสาเหตุหรือไม่? ถ้าฉันเข้าใจถูกต้องการอนุมานเชิงสาเหตุจะพิจารณาการแจกแจงแบบมีเงื่อนไขของตัวแปรสุ่มหนึ่งตัวที่ให้ตัวแปรสุ่มอีกตัวหนึ่งและมักจะใช้ตัวแบบกราฟิกเพื่อแสดงความเป็นอิสระแบบมีเงื่อนไขระหว่างตัวแปรสุ่ม ดังนั้นการอนุมานเชิงสาเหตุในแง่นี้ไม่ได้คาดการณ์ไว้ใช่ไหม

10 prediction  causality  definition 

เป็นไปได้หรือไม่ที่จะมีตัวแปรที่ทำหน้าที่เป็นทั้งตัวปรับเอฟเฟกต์ (การวัด) และตัวรบกวนสำหรับคู่ของความสัมพันธ์ผลลัพธ์ความเสี่ยงที่กำหนด ฉันยังไม่แน่ใจในความแตกต่างเล็กน้อย ฉันได้ดูสัญกรณ์กราฟิกเพื่อช่วยให้ฉันเข้าใจความแตกต่าง แต่ความแตกต่างของสัญกรณ์นั้นทำให้สับสน คำอธิบายกราฟิก / ภาพของทั้งสองและเมื่อพวกเขาอาจทับซ้อนกันจะเป็นประโยชน์

10 interaction  causality  confounding