Sejauh mana perbedaan antara korelasi dan sebab-akibat relevan bagi Google?

21

Konteks

Pertanyaan populer di situs ini adalah " Apa dosa statistik umum? ". Salah satu dosa yang disebutkan adalah dengan asumsi bahwa tautan "korelasi menyiratkan hubungan sebab akibat ..."

Kemudian, dalam komentar dengan 5 upvotes disarankan bahwa: "Google menghasilkan $ 65 miliar setahun tidak peduli dengan perbedaannya."

Dengan risiko terlalu banyak menganalisis sindiran ringan, saya pikir ini mungkin menjadi titik diskusi yang berguna untuk menyempurnakan perbedaan antara korelasi dan sebab akibat dan relevansi praktis dari perbedaan; dan mungkin itu bisa menyoroti sesuatu tentang hubungan antara pembelajaran mesin dan perbedaan antara korelasi dan sebab-akibat.

Saya berasumsi bahwa komentar tersebut membahas teknologi yang mendasari generasi hasil mesin pencari dan teknologi terkait tampilan iklan.

Pertanyaan

  • Sejauh mana perbedaan antara korelasi dan sebab-akibat yang relevan dengan penghasilan Google, mungkin berfokus terutama pada pendapatan melalui iklan yang menampilkan teknologi terkait dan hasil pencarian berkualitas?
machine-learning causality Jeromy Anglim
sumber
Itu lucu, saya melihat komentar itu sedikit lebih awal.
Iterator
2
Blog Revolusi memiliki posting minggu lalu tentang Bagaimana Google menggunakan R untuk membuat periklanan online lebih efektif . Sayangnya mereka tidak masuk ke terlalu banyak detail ...
nico

Jawaban:

13

Jawaban sederhananya adalah bahwa Google (atau siapa saja) harus peduli tentang perbedaan sejauh mereka berniat untuk campur tangan . Pengetahuan kausal memberi tahu Anda tentang efek intervensi (tindakan) dalam domain yang diberikan.

Jika, misalnya, Google ingin meningkatkan rasio klik-tayang pada iklan, meningkatkan jumlah pengguna GMail atau Google+, atau mendorong pengguna untuk menggunakan Google daripada Bing, maka mereka perlu mengetahui efek dari tindakan potensial (misalnya, meningkatkan ukuran font iklan, mempromosikan Google+ di majalah cetak, atau mempublikasikan perbedaan antara hasil pencarian Google dan Bing, masing-masing). Korelasi cukup baik untuk membuat mesin pencari Google bekerja dengan baik, tetapi untuk sistem mereka yang lain (dan bisnis mereka secara keseluruhan) perbedaan sering penting.

Perlu dicatat bahwa Google (dan banyak perusahaan dengan bisnis berbasis web) terus menjalankan eksperimen online. Ini adalah cara paling sederhana dan terbaik untuk mengidentifikasi dan memperkirakan dependensi kausal.

David Jensen
sumber
(+1) selama prediktor a) berkorelasi dan b) memungkinkan untuk memprediksi hasil di masa depan dengan benar, seseorang tidak perlu peduli dengan penyebabnya.
steffen
2
Kami memasuki era kebangkitan penelitian eksperimental dalam ilmu perilaku. Pada 1950-an, hampir semua statistik adalah penelitian eksperimental, dengan aplikasi di bidang pertanian. Tetapi sekitar tahun 1980-an, orang-orang telah mengakui teknik ini tidak banyak membantu dengan data pengamatan, yang bisa Anda lakukan di sebagian besar ilmu sosial. Sekarang, setidaknya dalam relung riset pemasaran online, jika Anda adalah Amazon atau Google atau Bing, Anda dapat menjalankan eksperimen dan mendapatkan bentuk kesimpulan kausal yang paling bersih.
Tugas
@StasK, Mengingat ukuran sampel yang kemungkinan mereka hadapi bahkan dengan eksperimen "pendek", mereka cenderung menghasilkan hasil yang sangat berguna. Betapa berharga harta karun itu.
Brandon Bertelsen
Sangat menarik untuk dicatat bahwa fasilitas "grup" Google benar-benar buruk. Sepertinya mereka membangun fasilitas diskusi kelompok yang berkorelasi dengan menjadi baik, tetapi mereka belum menemukan apa yang menyebabkan fasilitas diskusi kelompok menjadi baik. Tetapi ini adalah masalah umum dalam pemasaran - terlalu sering fitur dari produk yang bersaing disalin tanpa memahami motivasi yang mendasari fitur tersebut.
Daniel R Hicks
1
@StasK: Dunia nyata mungkin tidak ideal seperti yang Anda bayangkan di sini. Saya setuju bahwa eksperimen adalah alat yang hebat untuk melakukan inferensial kausal. Namun, eksperimen juga menimbulkan masalah tertentu. Terkadang mungkin lebih baik untuk membuat kesimpulan kausal dengan studi observasi daripada dengan eksperimen. Satu kritik mungkin dalam arti apa hasil dari percobaan terkontrol mungkin digeneralisasi ke pengaturan "nyata". Beberapa penulis menyebutnya "validitas eksternal".
6

Pertama, ini hanya lelucon dan salah. Google memiliki banyak ahli statistik yang sangat berbakat, ahli pencarian informasi, ahli bahasa, ekonom, beberapa psikolog, dan lainnya. Orang-orang ini menghabiskan banyak waktu mendidik banyak non-statistik tentang perbedaan antara korelasi dan sebab-akibat. Mengingat bahwa ini adalah organisasi besar, mungkin ada kantong, bahkan kantong besar, ketidaktahuan, tetapi pernyataan itu jelas salah. Selain itu, banyak pendidikan yang menghadapi pelanggan, terutama pengiklan.

Jawaban yang lebih dalam: Perbedaannya sangat penting. Lihat saja peringkat hasil pencarian, dan izinkan saya memperluas lebih dari sekadar "korelasi" untuk memasukkan ukuran-ukuran kesamaan, fungsi penilaian, dll. Beberapa halaman diukur menjadi hasil yang baik untuk kueri tertentu. Ini memiliki berbagai fitur prediktor yang penting untuk peringkat mereka. Berbeda dengan halaman-halaman bagus ini yang merupakan hasil yang bagus untuk kueri adalah sekumpulan halaman web yang merupakan halaman yang hasilnya sangat buruk untuk kueri yang sama. Namun, pembuat halaman tersebut menghabiskan banyak upaya untuk membuatnya terlihat seperti halaman yang bagus dari sudut pandang numerik, seperti kecocokan teks, tautan internet, dan lainnya. Namun, hanya karena halaman-halaman ini secara numerik "mirip" dengan halaman yang baik tidak berarti bahwa ini sebenarnya adalah halaman yang baik. Oleh karena itu, Google telah berinvestasi dan akan terus menginvestasikan banyak upaya untuk menentukan fitur apa yang masuk akal membedakan (memisahkan) halaman baik dan buruk.

Ini bukan korelasi dan sebab-akibat, tetapi lebih dalam dari itu. Halaman yang baik untuk permintaan tertentu dapat memetakan ke ruang numerik di mana mereka tampak serupa dan berbeda dari banyak halaman yang tidak relevan atau buruk, tetapi hanya karena hasilnya berada di wilayah yang sama dari ruang fitur tidak menyiratkan mereka berasal dari subset "kualitas tinggi" yang sama dari web.

Jawaban yang lebih sederhana: Perspektif yang sangat sederhana adalah membahas peringkat hasil. Hasil terbaik harus menjadi yang pertama, tetapi hanya karena sesuatu berada di peringkat pertama bukan berarti itu adalah hasil terbaik. Dengan beberapa metrik penilaian, Anda mungkin menemukan bahwa peringkat Google berkorelasi dengan standar emas penilaian kualitas, tetapi itu tidak berarti bahwa peringkat mereka menyiratkan bahwa hasilnya benar-benar dalam urutan ini dalam hal kualitas dan relevansi.

Pembaruan (jawaban ketiga): Seiring waktu, ada aspek lain yang memengaruhi kita semua: itu adalah hasil Google teratas dapat dianggap otoritatif, karena itu adalah hasil teratas di Google. Meskipun analisis tautan (mis. "PageRank" - salah satu metode untuk analisis tautan) adalah upaya untuk mencerminkan keabsahan yang dirasakan, seiring waktu halaman-halaman baru pada suatu topik dapat dengan mudah memperkuat struktur tautan tersebut dengan menautkan ke hasil teratas di Google. Halaman yang lebih baru yang lebih otoritatif memiliki masalah dengan headstart relatif terhadap hasil pertama. Karena Google ingin memberikan halaman yang paling relevan saat ini , berbagai faktor, termasuk apa yang disebut "kaya-kaya" fenomena, muncul karena efek implisit korelasi pada sebab-sebab yang dirasakan.

Pembaruan (jawaban keempat): Saya menyadari (untuk komentar di bawah) bahwa mungkin berguna untuk membaca Allegory of the Cave milik Plato untuk mendapatkan pengertian bagaimana menafsirkan korelasi dan sebab akibat sebagai hasil dari "refleksi / proyeksi" kenyataan & bagaimana kami (atau mesin kami) melihatnya. Korelasi, sangat terbatas pada Korelasi Pearson, terlalu terbatas sebagai interpretasi dari masalah asosiasi kesalahpahaman (lebih luas dari sekadar korelasi) dan sebab-akibat.

Iterator
sumber
Saya tidak setuju. Jika seseorang menyalahgunakan prediktor untuk membuat peringkat halaman tinggi buatan, maka target menyiratkan prediktor tersebut, berlawanan dengan apa yang dimaksudkan Google saat membuat algoritma peringkat halaman. Karena metrik sebenarnya tetap sama ("halaman kanan", yang peringkat halamannya hanya perkiraan), maka prediktor kehilangan korelasinya dan karenanya harus diubah. Oleh karena itu google tidak peduli tentang penyebab tentang metrik sebenarnya "halaman yang tepat", tetapi untuk perkiraan yang disebut peringkat halaman.
steffen
Jangan tersinggung, tetapi Anda tampaknya sedikit bingung tentang beberapa masalah. "PageRank" adalah konsep yang didefinisikan dengan jelas dan hanyalah satu prediktor. Masalah utama yang Anda hadapi adalah proses industri yang terlibat dalam mendefinisikan dan membuat set pelatihan serta mencocokkan harapan pengguna. Sayangnya, komentar adalah tempat yang mengerikan untuk memulai pengantar panjang untuk pembelajaran mesin yang diterapkan.
Iterator
Apakah yang Anda maksudkan bahwa dalam proses generasi prediktor dan evaluasi oleh pengetahuan ahli hanya "penyebab" -prediktor yang dihasilkan? Selama seseorang mengikuti proses seperti itu dan tidak kembali ke pendekatan coba-coba, Anda benar, google peduli;).
steffen
Anda benar sekali. Masalahnya adalah bahwa dari waktu ke waktu akan sangat sulit untuk mencoba memilah-milah para prediktor yang mencerminkan hubungan sebab-akibat ketika ada musuh yang menghalangi Anda. Jika seorang prediktor tidak memiliki semacam penjelasan sebab akibat (karena mereka jarang benar-benar bersifat kausal), maka sulit untuk dibenarkan ketika penjahat berevolusi dan membersihkan wilayah ruang prediktor tersebut.
Iterator
2
@ Brandon: Jangan bercanda. Ini paling baik dicontohkan ketika saya mencoba mencari acara terbaru atau acara mendatang. Semakin sering, saya harus memasukkan tahun ini atau bahkan MM-YYYY saat ini (atau melakukan pencarian lanjutan) untuk mendapatkan halaman yang relevan. Ini adalah tradeoff antara struktur tautan dan kesegaran dan Google salah melakukannya tanpa lebih banyak bantuan dari saya. Bahkan, itu telah membuat saya ke Bing beberapa kali, hanya karena kesal dengan mencoba mengabaikan halaman lama. Hal yang sama berlaku pada SO: jawaban pertama sering tampaknya mendapatkan lebih banyak suara daripada jawaban yang lebih baru, yang mungkin lebih benar. :)
Iterator
5

Penulis sindiran di sini.

Komentar itu sebagian terinspirasi oleh ceramah oleh David Mease (di Google), di mana dia berkata, dan saya parafrase, perusahaan asuransi mobil tidak peduli jika menjadi laki-laki menyebabkan lebih banyak kecelakaan, selama itu berkorelasi, mereka harus mengenakan biaya lebih banyak. Faktanya, mustahil untuk mengubah jenis kelamin seseorang dalam suatu eksperimen, sehingga penyebabnya tidak pernah bisa ditunjukkan.

Dengan cara yang sama, Google tidak perlu peduli jika warna merah membuat seseorang mengklik iklan, jika itu berkorelasi dengan lebih banyak klik, mereka dapat mengenakan biaya lebih banyak untuk iklan itu.

Itu juga terinspirasi oleh artikel ini di Wired: The End of Theory: Data Banjir Membuat Metode Ilmiah Usang . Kutipan:

"Filosofi pendiri Google adalah bahwa kita tidak tahu mengapa halaman ini lebih baik daripada yang itu: Jika statistik dari tautan yang masuk mengatakan itu, itu cukup bagus."

Jelas, Google memiliki banyak orang yang sangat pandai yang tahu perbedaan antara sebab akibat dan korelasi, tetapi dalam kasus mereka, mereka dapat menghasilkan banyak uang tanpa peduli.

Neil McGuigan
sumber
1
Untuk menguraikan ... Seperti yang saya sebutkan, ada banyak orang di Google yang benar-benar peduli tentang hal itu, seperti halnya David Mease. (Btw, dia tidak di Stanford, kecuali ada berita yang saya lewatkan; mungkin Anda menghadiri kursus 2007?) Tapi, Anda benar karena banyak orang tidak tahu bagaimana mesin pembakaran internal bekerja, itu tidak mempengaruhi kemampuan mereka mengemudi. Namun, insinyur & peneliti mobil yang baik membuatnya bekerja lebih baik karena mereka melakukannya. Hal yang sama untuk para insinyur & peneliti di Google. Sayangnya, artikel Wired bukanlah presentasi yang paling jelas dari tesis Norvig.
Iterator
Terima kasih Neil untuk konteksnya. Saya harap Anda tidak keberatan saya menggunakan komentar Anda sebagai inspirasi untuk sebuah pertanyaan.
Jeromy Anglim
@ jeromy, tidak sama sekali
Neil McGuigan
1

Saya setuju dengan David : Perbedaannya penting jika Anda ingin melakukan intervensi, dan Google dapat menguji hasil intervensi dengan menjalankan eksperimen terkontrol. (Jadwal optimal dari eksperimen semacam itu tergantung pada set hipotesis kausal Anda, yang Anda pelajari dari eksperimen sebelumnya ditambah data pengamatan , sehingga korelasi masih berguna!)

Ada alasan kedua Google mungkin ingin mempelajari hubungan sebab akibat. Hubungan kausal lebih kuat untuk intervensi pemain lain . Intervensi cenderung bersifat lokal, sehingga mereka dapat mengubah satu bagian dari jaringan sebab-akibat tetapi membiarkan semua mekanisme sebab-akibat lainnya tidak berubah. Sebaliknya, hubungan prediktif dapat gagal jika hubungan sebab akibat yang jauh rusak. Internet terus berubah, dan Google harus tertarik dengan fitur lingkungan online mana yang lebih kuat terhadap perubahan itu.

Lizzie Silver
sumber