Ada diskusi informatif dalam arsip blog Andrew Gelman, termasuk kontribusi dari Pearl dan pakar lainnya.
tamu
11
Gelman membahas Pearl's Causality , selain SL Morgan dan C Winship's Counterfactuals dan Causal Model dan A Sloman's Causal Model dalam esai ulasan 2011 di Am. J. dari Sosiologi. Dia umumnya sangat mendukung kontribusi Pearl, terutama formalisasi Pearl model sebab akibat dalam hal intervensi (do-calculus). Namun, ia tetap khawatir bahwa teori kausal state-of-the-art masih dapat mengundang model kausal yang terlalu disederhanakan dan kemudian menyimpulkan kesimpulan kausal yang salah dari data pengamatan.
jthetzel
1
@jthetzel: Terima kasih, itu sepertinya jawaban yang bagus untuk saya. Maukah Anda menambahkannya?
Neil G
Jawaban:
35
Beberapa penulis tidak menyukai fokus Pearl pada grafik asiklik terarah (DAG) sebagai cara untuk melihat hubungan sebab akibat. Pearl pada dasarnya berpendapat bahwa setiap sistem sebab-akibat dapat dianggap sebagai model persamaan struktural non-parametrik (NPSEM), di mana nilai setiap node diambil sebagai fungsi dari orang tuanya dan beberapa istilah kesalahan individu; istilah kesalahan antara node yang berbeda secara umum dapat dikorelasikan, untuk mewakili penyebab umum.
Buku Cartwright Berburu Penyebab dan Penggunaannya , misalnya, memberikan contoh yang melibatkan mesin mobil, yang menurutnya tidak dapat dimodelkan dalam kerangka kerja NPSEM. Pearl membantah ini dalam ulasannya tentang buku Cartwright.
Lainnya memperingatkan bahwa penggunaan DAG dapat menyesatkan, karena panah memberikan otoritas yang jelas untuk model yang dipilih memiliki implikasi kausal, ketika ini mungkin tidak menjadi masalah sama sekali. Lihat Dawid Waspadalah terhadap DAG . Sebagai contoh, tiga DAG , dan semua menginduksi model probabilistik yang sama di bawah kriteria pemisahan d-Pearl, yaitu bahwa A adalah independen dari C diberikan B. Oleh karena itu mereka tidak dapat dibedakan berdasarkan data pengamatan.A→B→CA←B→CA←B←C
Namun mereka memiliki interpretasi kausal yang sangat berbeda , jadi jika kita ingin belajar tentang hubungan kausal di sini kita akan membutuhkan lebih dari sekadar data pengamatan, apakah itu hasil percobaan intervensi, informasi sebelumnya tentang sistem, atau sesuatu yang lain.
Agar adil - jauh dari tidak menyadari tiga DAG dengan model probabilistik yang sama, Pearl telah menjadi salah satu promotor utama perbedaan antara hanya model statistik-probabilistik-asosiasi dan model kausal sepenuhnya. Lihat misalnya Bagian 2 dari ftp.cs.ucla.edu/pub/stat_ser/r354-corrected-reprint.pdf
Paul
@ Paul ya memang; Saya baru saja melaporkan keraguan orang lain tentang penggunaan DAG. Saya tidak punya keraguan seperti itu - harap edit jika Anda merasa jawabannya tidak adil!
rje42
4
Sepertinya pesan itu benar-benar hilang dalam terjemahan. Yang belum tentu salah jawaban Anda, jika Anda hanya melaporkan kritik yang dibuat orang. The Inti dari kerja Pearl adalah bahwa model kausal yang berbeda dapat menghasilkan model yang probabilistik yang sama dan karenanya data yang sama tampak. Jadi tidak cukup untuk memiliki model probabilistik, Anda harus mendasarkan analisis dan interpretasi kausal Anda pada DAG lengkap untuk mendapatkan hasil yang andal. Jika Anda hanya melaporkan apa yang orang katakan, saya pikir jawaban Anda tidak perlu diedit, komentar ini cukup klarifikasi.
Paul
memilih +1 dengan cara.
Paul
16
Saya pikir kerangka kerja ini memiliki banyak masalah dengan efek ekuilibrium umum atau pelanggaran Asumsi Nilai Perawatan Unit Stabil. Dalam hal itu, pengamatan "tidak diobati" tidak lagi memberikan kontrafaktual yang diinginkan dengan cara yang bermakna. Program pelatihan kerja besar-besaran yang menggeser seluruh distribusi upah adalah salah satu contohnya. Counterfactual bahkan mungkin tidak terdefinisi dengan baik dalam beberapa kasus. Dalam Model Kontrafakta Morgan dan Winship dan Kausal , mereka memberikan contoh klaim bahwa pemilu 2000 akan lebih berpihak pada Al Gore jika penjahat dan mantan penjahat diizinkan memilih. Mereka menunjukkan bahwa dunia kontrafaktual akan memiliki kandidat dan masalah yang sangat berbeda, sehingga Anda tidak dapat mencirikan negara penyebab alternatif. The ceteris paribus efeknya tidak akan menjadi parameter kebijakan yang relevan di sini.
Sepertinya Anda mengatakan bahwa beberapa kontrafakta tidak masuk akal karena tidak masuk akal untuk berasumsi bahwa hanya satu hal yang berubah? Dalam contoh penjahat, fakta sederhana penjahat dapat memilih akan menyiratkan banyak perbedaan lain antara dunia potensial dan dunia kita yang sebenarnya, jadi tidak masuk akal untuk mengubah "hanya satu hal"?
Paul
2
@ Paul Ya, "semua yang lain sama" tidak dapat digunakan.
Dimitriy V. Masterov
1
Terima kasih. Saya pikir ini adalah poin yang cukup mendalam dan kurang dihargai tentang kontrafakta. Orang biasanya menganggap mereka dapat melakukan apa pun yang mereka inginkan. Tapi sama seperti dunia nyata, saya kira ruang kontrafaktual yang valid dapat memiliki "multikolinieritas".
Paul
0
Kritik paling penting terhadap sistem Pearl adalah, dari sudut pandang saya, bahwa itu tidak menghasilkan kemajuan empiris yang praktis di mana pun ia telah digunakan. Mengingat sudah berapa lama, tidak ada alasan untuk berpikir itu akan menjadi alat yang praktis. Ini menunjukkan bahwa itu dapat digunakan untuk beberapa tujuan teoretis dan mungkin didaktik, tetapi seorang peneliti praktis akan mendapat sedikit dari mempelajarinya.
Sambutan hangat ke situs ini, tetapi jawaban Anda benar-benar konyol.
Neil G
1
Mengapa ini konyol? Jika Pearl mempromosikan sistemnya hanya sebagai semacam alat filosofis konseptual untuk memahami apa itu kausalitas, saya tidak akan punya masalah dengan itu. Tetapi ia terus-menerus membicarakannya sebagai alat praktis "revolusioner" untuk digunakan para peneliti, yang hanya omong kosong belaka. Misalnya, dalam buku terbarunya Pearl mengatakan bahwa ia "tidak akan terkejut" jika metode pintu depan "akhirnya menjadi pesaing serius untuk uji coba terkontrol secara acak", yang merupakan klaim kuat mengingat bahwa tidak ada satu pun contoh metode ini. digunakan untuk memecahkan masalah nyata, selamanya.
Matt
1
Ini konyol karena karyanya telah dikutip puluhan ribu kali. Metode pintu depan terkenal digunakan untuk mendukung hubungan antara merokok dan kanker yang bertentangan dengan kesaksian Ronald Fisher!
Neil G
5
Apa hubungannya dengan penghitungan Pearl dengan apa pun? Kritik saya adalah bahwa manfaat praktis yang telah dijanjikannya selama beberapa dekade belum terwujud. Pearl muncul dengan kriteria pintu depan beberapa dekade setelah Fisher meninggal dan kontroversi kanker-dan-merokok telah mereda. Bagaimana kriteria tersebut digunakan terhadap Fisher?
Jawaban:
Beberapa penulis tidak menyukai fokus Pearl pada grafik asiklik terarah (DAG) sebagai cara untuk melihat hubungan sebab akibat. Pearl pada dasarnya berpendapat bahwa setiap sistem sebab-akibat dapat dianggap sebagai model persamaan struktural non-parametrik (NPSEM), di mana nilai setiap node diambil sebagai fungsi dari orang tuanya dan beberapa istilah kesalahan individu; istilah kesalahan antara node yang berbeda secara umum dapat dikorelasikan, untuk mewakili penyebab umum.
Buku Cartwright Berburu Penyebab dan Penggunaannya , misalnya, memberikan contoh yang melibatkan mesin mobil, yang menurutnya tidak dapat dimodelkan dalam kerangka kerja NPSEM. Pearl membantah ini dalam ulasannya tentang buku Cartwright.
Lainnya memperingatkan bahwa penggunaan DAG dapat menyesatkan, karena panah memberikan otoritas yang jelas untuk model yang dipilih memiliki implikasi kausal, ketika ini mungkin tidak menjadi masalah sama sekali. Lihat Dawid Waspadalah terhadap DAG . Sebagai contoh, tiga DAG , dan semua menginduksi model probabilistik yang sama di bawah kriteria pemisahan d-Pearl, yaitu bahwa A adalah independen dari C diberikan B. Oleh karena itu mereka tidak dapat dibedakan berdasarkan data pengamatan.A→B→C A←B→C A←B←C
Namun mereka memiliki interpretasi kausal yang sangat berbeda , jadi jika kita ingin belajar tentang hubungan kausal di sini kita akan membutuhkan lebih dari sekadar data pengamatan, apakah itu hasil percobaan intervensi, informasi sebelumnya tentang sistem, atau sesuatu yang lain.
sumber
Saya pikir kerangka kerja ini memiliki banyak masalah dengan efek ekuilibrium umum atau pelanggaran Asumsi Nilai Perawatan Unit Stabil. Dalam hal itu, pengamatan "tidak diobati" tidak lagi memberikan kontrafaktual yang diinginkan dengan cara yang bermakna. Program pelatihan kerja besar-besaran yang menggeser seluruh distribusi upah adalah salah satu contohnya. Counterfactual bahkan mungkin tidak terdefinisi dengan baik dalam beberapa kasus. Dalam Model Kontrafakta Morgan dan Winship dan Kausal , mereka memberikan contoh klaim bahwa pemilu 2000 akan lebih berpihak pada Al Gore jika penjahat dan mantan penjahat diizinkan memilih. Mereka menunjukkan bahwa dunia kontrafaktual akan memiliki kandidat dan masalah yang sangat berbeda, sehingga Anda tidak dapat mencirikan negara penyebab alternatif. The ceteris paribus efeknya tidak akan menjadi parameter kebijakan yang relevan di sini.
sumber
Kritik paling penting terhadap sistem Pearl adalah, dari sudut pandang saya, bahwa itu tidak menghasilkan kemajuan empiris yang praktis di mana pun ia telah digunakan. Mengingat sudah berapa lama, tidak ada alasan untuk berpikir itu akan menjadi alat yang praktis. Ini menunjukkan bahwa itu dapat digunakan untuk beberapa tujuan teoretis dan mungkin didaktik, tetapi seorang peneliti praktis akan mendapat sedikit dari mempelajarinya.
sumber