Es gibt eine informative Diskussion im Archiv von Andrew Gelmans Blog, einschließlich Beiträgen von Pearl und anderen Experten.
Gast
11
Gelman diskutiert Pearl's Causality zusätzlich zu SL Morgan und C Winship's Counterfactuals und Causal Models und A Sloman's Causal Models in einem 2011 erschienenen Aufsatz in der Am. J. of Sociology. Er unterstützt generell sehr die Beiträge von Pearl, insbesondere die Formalisierung von Kausalmodellen in Bezug auf Interventionen (Do-Kalkül) durch Pearl. Er ist jedoch weiterhin besorgt darüber, dass die Kausaltheorie nach dem Stand der Technik möglicherweise noch zu vereinfachte Kausalmodelle und anschließend falsche Kausalschlussfolgerungen aus Beobachtungsdaten liefert.
Jthetzel
1
@jthetzel: Danke, das sieht für mich nach einer guten Antwort aus. Würde es Ihnen etwas ausmachen, es hinzuzufügen?
Neil G
Antworten:
35
Einige Autoren lehnen es ab, dass Pearl sich auf den gerichteten azyklischen Graphen (DAG) konzentriert, um die Kausalität zu betrachten. Pearl argumentiert im Wesentlichen, dass jedes kausale System als ein nicht parametrisches Strukturgleichungsmodell (NPSEM) betrachtet werden kann, bei dem der Wert jedes Knotens als Funktion seiner Eltern und eines einzelnen Fehlerterms betrachtet wird. Die Fehlerterme zwischen verschiedenen Knoten können im Allgemeinen korreliert sein, um gemeinsame Ursachen darzustellen.
In Cartwrights Buch " Jagd auf Ursachen und Verwendung von Ursachen" wird beispielsweise ein Beispiel für einen Automotor angeführt, von dem sie behauptet, dass er nicht im NPSEM-Framework modelliert werden kann. Pearl bestreitet dies in seiner Rezension von Cartwrights Buch.
Andere warnen davor, dass die Verwendung von DAGs irreführend sein kann, da die Pfeile einem ausgewählten Modell eine offensichtliche Autorität verleihen, die kausale Auswirkungen hat, wenn dies überhaupt nicht der Fall sein kann. Siehe Dawids Vorsicht vor der DAG . Zum Beispiel induzieren die drei , und alle dasselbe Wahrscheinlichkeitsmodell unter Pearl's d-Trennungskriterium, A ist unabhängig von C B. Sie sind daher aufgrund von Beobachtungsdaten nicht unterscheidbar.A→B→CA←B→CA←B←C
Sie haben jedoch ganz unterschiedliche kausale Interpretationen . Wenn wir hier also die kausalen Zusammenhänge kennenlernen möchten, benötigen wir mehr als nur Beobachtungsdaten, sei es das Ergebnis interventioneller Experimente, vorherige Informationen über das System oder etwas anderes.
Um fair zu sein - Pearl war sich keineswegs der drei DAGs mit demselben Wahrscheinlichkeitsmodell bewusst, sondern war einer der Hauptverantwortlichen für die Unterscheidung zwischen rein statistischen-Wahrscheinlichkeits-Assoziationsmodellen und vollständig kausalen Modellen. Siehe zum Beispiel Abschnitt 2 von ftp.cs.ucla.edu/pub/stat_ser/r354-corrected-reprint.pdf
Paul
@ Paul ja in der Tat; Ich habe nur über die Bedenken anderer Leute bezüglich der Verwendung von DAGs berichtet. Ich habe keine derartigen Bedenken - bitte bearbeiten Sie, wenn Sie der Meinung sind, dass die Antwort unfair ist!
rje42
4
Es klingt nur so, als wäre die Nachricht bei der Übersetzung völlig verloren gegangen. Was nicht unbedingt die Schuld Ihrer Antwort ist, wenn Sie nur die Kritik melden, die die Leute gemacht haben. Der springende Punkt bei Pearl ist, dass verschiedene Kausalmodelle das gleiche Wahrscheinlichkeitsmodell und damit die gleichen Daten erzeugen können. Es reicht also nicht aus, ein Wahrscheinlichkeitsmodell zu haben. Sie müssen Ihre Analyse und kausale Interpretation auf der vollständigen DAG aufbauen, um verlässliche Ergebnisse zu erhalten. Wenn Sie nur berichten, was die Leute sagen, glaube ich nicht, dass Ihre Antwort bearbeitet werden muss, sind diese Kommentare eine ausreichende Klarstellung.
Paul
hat übrigens +1 gegeben.
Paul
16
Ich denke, dieses Framework hat große Probleme mit allgemeinen Gleichgewichtseffekten oder Verstößen gegen die Annahme stabiler Einheitsbehandlungswerte. In diesem Fall liefern die "unbehandelten" Beobachtungen nicht mehr auf sinnvolle Weise das gewünschte kontrafaktische Ergebnis. Ein Beispiel dafür sind umfangreiche Berufsausbildungsprogramme, die die gesamte Lohnverteilung verändern. Das Kontrafaktische ist in einigen Fällen möglicherweise nicht einmal genau definiert. In Morgan und Winships Counterfactuals und Causal Models geben sie ein Beispiel für die Behauptung, dass die Wahl 2000 zugunsten von Al Gore verlaufen wäre, wenn Straftäter und Ex-Straftäter hätten abstimmen dürfen. Sie weisen darauf hin, dass die kontrafaktische Welt sehr unterschiedliche Kandidaten und Probleme haben würde, so dass Sie den alternativen Kausalzustand nicht charakterisieren können. Der Ceteris Paribus Effekt wäre hier nicht der politikrelevante Parameter.
Es hört sich so an, als würden Sie sagen, dass einige Kontrafakten nicht vernünftig sind, weil es nicht vernünftig ist anzunehmen, dass sich nur eines ändert? Im Beispiel eines Verbrechers würde die einfache Tatsache, dass Verbrecher wählen können, viele andere Unterschiede zwischen dieser potenziellen Welt und unserer tatsächlichen Welt implizieren. Ist es also nicht sinnvoll, "nur eine Sache" zu ändern?
Paul
2
@Paul Ja, das kann "alle anderen gleich" nicht halten.
Dimitriy V. Masterov
1
Vielen Dank. Ich denke, dies ist ein ziemlich tiefgreifender und unterschätzter Punkt in Bezug auf Kontrafakten. Die Leute gehen normalerweise davon aus, dass sie tun können, was sie wollen. Aber genau wie in der realen Welt kann der Raum der gültigen Kontrafakten "Multikollinearität" haben.
Paul
0
Die wichtigste Kritik am Pearl-System ist aus meiner Sicht, dass es nirgendwo, wo es eingesetzt wurde, praktische, empirische Fortschritte gebracht hat. Angesichts der langen Zeit, die es gibt, gibt es keinen Grund zu der Annahme, dass es jemals ein praktisches Werkzeug sein wird. Dies zeigt, dass es für einige theoretische und vielleicht didaktische Zwecke verwendet werden kann, aber ein praktischer Forscher wird wenig davon profitieren, wenn er es studiert.
Herzlich willkommen auf dieser Seite, aber Ihre Antwort ist total lächerlich.
Neil G
1
Warum ist es lächerlich? Wenn Pearl sein System einfach als eine Art konzeptuelles, philosophisches Werkzeug für das Verständnis der Kausalität bewerben würde, hätte ich kein Problem damit. Aber er spricht ständig davon, dass es sich um ein "revolutionäres" praktisches Werkzeug handelt, das die Forscher verwenden können, was einfach Unsinn ist. Zum Beispiel sagt Pearl in seinem neuesten Buch, dass er "nicht überrascht sein würde", wenn die Front-Door-Methode "irgendwann zu einem ernsthaften Konkurrenten für randomisierte kontrollierte Studien wird", was eine starke Behauptung ist, da es kein einziges Beispiel für diese Methode gibt wird verwendet, um ein echtes Problem zu lösen.
Matt
1
Es ist lächerlich, weil seine Arbeit zehntausende Male zitiert wurde. Die Haustürmethode wurde bekanntermaßen verwendet, um die Verbindung zwischen Rauchen und Krebs zu unterstützen, entgegen Ronald Fischers Aussage!
Neil G
5
Was hat Pearl's Zitationszahl mit irgendetwas zu tun? Meine Kritik ist, dass die praktischen Vorteile, die er seit Jahrzehnten versprochen hat, nicht eingetreten sind. Pearl hatte das Haustürkriterium bereits Jahrzehnte nach dem Tod von Fisher und nachdem sich die Kontroverse um Krebs und Rauchen gelegt hatte. Wie hätte das Kriterium gegen Fisher angewendet werden können?
Antworten:
Einige Autoren lehnen es ab, dass Pearl sich auf den gerichteten azyklischen Graphen (DAG) konzentriert, um die Kausalität zu betrachten. Pearl argumentiert im Wesentlichen, dass jedes kausale System als ein nicht parametrisches Strukturgleichungsmodell (NPSEM) betrachtet werden kann, bei dem der Wert jedes Knotens als Funktion seiner Eltern und eines einzelnen Fehlerterms betrachtet wird. Die Fehlerterme zwischen verschiedenen Knoten können im Allgemeinen korreliert sein, um gemeinsame Ursachen darzustellen.
In Cartwrights Buch " Jagd auf Ursachen und Verwendung von Ursachen" wird beispielsweise ein Beispiel für einen Automotor angeführt, von dem sie behauptet, dass er nicht im NPSEM-Framework modelliert werden kann. Pearl bestreitet dies in seiner Rezension von Cartwrights Buch.
Andere warnen davor, dass die Verwendung von DAGs irreführend sein kann, da die Pfeile einem ausgewählten Modell eine offensichtliche Autorität verleihen, die kausale Auswirkungen hat, wenn dies überhaupt nicht der Fall sein kann. Siehe Dawids Vorsicht vor der DAG . Zum Beispiel induzieren die drei , und alle dasselbe Wahrscheinlichkeitsmodell unter Pearl's d-Trennungskriterium, A ist unabhängig von C B. Sie sind daher aufgrund von Beobachtungsdaten nicht unterscheidbar.A→B→C A←B→C A←B←C
Sie haben jedoch ganz unterschiedliche kausale Interpretationen . Wenn wir hier also die kausalen Zusammenhänge kennenlernen möchten, benötigen wir mehr als nur Beobachtungsdaten, sei es das Ergebnis interventioneller Experimente, vorherige Informationen über das System oder etwas anderes.
quelle
Ich denke, dieses Framework hat große Probleme mit allgemeinen Gleichgewichtseffekten oder Verstößen gegen die Annahme stabiler Einheitsbehandlungswerte. In diesem Fall liefern die "unbehandelten" Beobachtungen nicht mehr auf sinnvolle Weise das gewünschte kontrafaktische Ergebnis. Ein Beispiel dafür sind umfangreiche Berufsausbildungsprogramme, die die gesamte Lohnverteilung verändern. Das Kontrafaktische ist in einigen Fällen möglicherweise nicht einmal genau definiert. In Morgan und Winships Counterfactuals und Causal Models geben sie ein Beispiel für die Behauptung, dass die Wahl 2000 zugunsten von Al Gore verlaufen wäre, wenn Straftäter und Ex-Straftäter hätten abstimmen dürfen. Sie weisen darauf hin, dass die kontrafaktische Welt sehr unterschiedliche Kandidaten und Probleme haben würde, so dass Sie den alternativen Kausalzustand nicht charakterisieren können. Der Ceteris Paribus Effekt wäre hier nicht der politikrelevante Parameter.
quelle
Die wichtigste Kritik am Pearl-System ist aus meiner Sicht, dass es nirgendwo, wo es eingesetzt wurde, praktische, empirische Fortschritte gebracht hat. Angesichts der langen Zeit, die es gibt, gibt es keinen Grund zu der Annahme, dass es jemals ein praktisches Werkzeug sein wird. Dies zeigt, dass es für einige theoretische und vielleicht didaktische Zwecke verwendet werden kann, aber ein praktischer Forscher wird wenig davon profitieren, wenn er es studiert.
quelle