ग्रेंजर और पर्ल के कारण के ढांचे के बीच मुख्य अंतर क्या हैं?

Question

हाल ही में, मैंने कई कागजात और ऑनलाइन संसाधनों को चलाया, जिसमें ग्रेंजर कारण का उल्लेख है । इसी विकिपीडिया लेख के माध्यम से संक्षिप्त ब्राउज़िंग ने मुझे इस धारणा के साथ छोड़ दिया कि यह शब्द समय श्रृंखला (या, आमतौर पर, स्टोकेस्टिक प्रक्रियाओं ) के संदर्भ में कार्य-कारणता को संदर्भित करता है । इसके अलावा, इस अच्छी ब्लॉग पोस्ट को पढ़ने से इस दृष्टिकोण को देखने के तरीके में एक अतिरिक्त भ्रम पैदा हो गया।

मैं किसी भी तरह से करणीयता के बारे में जानने वाला व्यक्ति नहीं हूं, क्योंकि अवधारणा की मेरी अस्पष्ट समझ आंशिक रूप से सामान्य ज्ञान, सामान्य ज्ञान , अव्यक्त चर मॉडलिंग और संरचनात्मक समीकरण मॉडलिंग (एसईएम) के कुछ जोखिम और यहूदिया पर्ल के काम से थोड़ा सा पढ़ना है। कार्य-कारण - उनकी पुस्तक नहीं, बल्कि पर्ल (2009) द्वारा एक दिलचस्प अवलोकन पत्र की तर्ज पर, जो किसी कारण से, आश्चर्यजनक रूप से, ग्रेंजर की कार्य-क्षमता का उल्लेख नहीं करता है।

इस संदर्भ में, मैं इस बारे में सोच रहा हूं कि क्या संरचनात्मक कारण मॉडल के आधार पर, ग्रेंजर की कार्य-क्षमता एक टाइम सीरीज़ (स्टोचस्टिक) फ्रेमवर्क की तुलना में कुछ अधिक सामान्य है और यदि ऐसा है, तो पर्ल की कार्य-प्रणाली के ढांचे से इसका क्या संबंध (सामान्यता और अंतर) है। एससीएम) , जो, जहां तक ​​मुझे समझ में आता है, बदले में, प्रत्यक्ष चक्रीय रेखांकन (डीएजी) और जवाबी कार्रवाई पर आधारित है । ऐसा लगता है कि ग्रेंजर करणीय एक के रूप में वर्गीकृत किया जा सकता सामान्य दृष्टिकोण करने के लिए कारण निष्कर्ष के लिए गतिशील प्रणालियों , के अस्तित्व पर विचार गतिशील कारण मॉडलिंग (डीसीएम)दृष्टिकोण (चिचरो और पैंजेरी, 2014)। हालांकि, मेरी चिंता यह है कि क्या (और, यदि हां, तो) दो दृष्टिकोणों की तुलना करना संभव है, जिनमें से एक स्टोचस्टिक प्रक्रिया विश्लेषण पर आधारित है और दूसरा नहीं है।

अधिक आम तौर पर, आपको क्या लगता है कि एक समझदार उच्च-स्तरीय दृष्टिकोण होगा - यदि कोई संभव है - वर्तमान में सभी कार्यवाहियों के सिद्धांतों को एक व्यापक व्यापकता के ढांचे (विभिन्न दृष्टिकोणों के रूप में ) पर विचार करने के लिए? यह सवाल काफी हद तक चिचरो और पैंजेरी (2014) द्वारा एक उत्कृष्ट और व्यापक पेपर पढ़ने की मेरी कोशिश से प्रेरित है, साथ ही साथ कैलिफोर्निया विश्वविद्यालय, बर्कले (पीटरसन और बालज़र, 2014) में एक दिलचस्प कारण निष्कर्ष की समीक्षा कर रहा है ।

संदर्भ

चिचरारो, डी।, और पैंजेरी, एस (2014)। मस्तिष्क क्षेत्रों के बीच प्रभावी कनेक्टिविटी के विश्लेषण के लिए कार्य-कारण निष्कर्ष के एल्गोरिदम। न्यूरोइन्फॉर्मेटिक्स में फ्रंटियर्स, 8 (64)। doi: 10.3389 / fninf.2014.00064 http://journal.frontiersin.org/article/10.3389/fninf.2014.00064/pdf से लिया गया

पर्ल, जे। (2009)। आंकड़ों में कारण निष्कर्ष: एक सिंहावलोकन। सांख्यिकी सर्वेक्षण, 3 , 96-146। doi: 10.1214 / 09-SS057 http://projecteuclid.org/download/pdfview_1/euclid.ssu/1255440554 से लिया गया

पीटरसन, एम।, और बालज़र, एल। (2014)। कारण निष्कर्ष का परिचय। यूनिवर्सिटी ऑफ कैलिफोर्निया, बर्केले। [वेबसाइट] http://www.ucbbiostat.com से लिया गया

Answer 1

पूर्वानुमान के लिए ग्रेंजर एक्टिविटी अनिवार्य रूप से उपयोगी है: एक्स को ग्रेंजर-कारण वाई के लिए कहा जाता है यदि Y को केवल Y के इतिहास का उपयोग करके X और Y दोनों के इतिहास का उपयोग करके बेहतर भविष्यवाणी की जा सकती है। पर्ल के प्रतिपक्षीय अर्थ में जीसी का बहुत कम कारण है, जिसमें दुनिया के विभिन्न राज्यों की तुलना शामिल हो सकती है। तो ग्रेंजर ग्रिपर्स ईस्टर का कारण बनता है, लेकिन वे इसका कारण नहीं बनते हैं। बेशक, दोनों एक ऐसी दुनिया में ओवरलैप करेंगे जहां एक्स के अलावा कोई अन्य संभावित कारण नहीं हैं, लेकिन यह एक बहुत ही संभावित सेटिंग और मौलिक रूप से अस्थिर नहीं है। एक और कम प्रतिबंधात्मक तरीका वे संयोग कर सकते हैं, अगर, वाई और एक्स के वास्तविक इतिहास पर सशर्त है, एक्स का अगला एहसास संभावित परिणामों से स्वतंत्र है।

Comments

पीप और ईस्टर का महान उदाहरण! यह पहले सोचा पर काफी भ्रामक है, लेकिन वास्तव में औपचारिक तर्क सही लगता है ...

— रिचर्ड हार्डी

आपकी अंतर्दृष्टि (+1) के लिए धन्यवाद। इससे पहले कि मुझे इस क्षेत्र की एक अच्छी समझ प्राप्त हो, निश्चित रूप से इस विषय में कुछ समय और एक्सपोज़र लगेगा।

— अलेक्सांद्र ब्लेक

आपके उत्तर के लिए धन्यवाद, लेकिन ऐसा लगता है कि एक पेपर है जो आपसे असहमत है: ग्रेंजर कॉजेलिटी और पर्ल कॉज़ल मॉडल को सेटटेबल सिस्टम, हैलबर्ट व्हाइट एट अल, 2010 के साथ जोड़ना । क्या आप इस पत्र के बारे में अपनी अंतर्दृष्टि से अपनी पोस्ट को अपडेट करने में रुचि लेंगे?

— gaborous

@ विस्तृत रूप से मैंने इस पत्र का बारीकी से अध्ययन नहीं किया है, लेकिन मेरी सरसरी रीडिंग यह है कि वे दावा करते हैं कि कार्यात्मक निर्भरता के आधार पर ग्रैंगर कारण और निश्चित कार्य प्रणाली धारणाएँ प्रत्यक्ष रूप से एकरूपता के सशर्त रूप में समतुल्य हैं। जो मैंने लिखा है, उसके काफी करीब है, इसे लगाने का एक और तकनीकी तरीका। यदि आप असहमत हैं और मुझे कुछ याद आ रहा है, तो कृपया अपना उत्तर दें।

— दिमित्री वी। मास्टरोव

@ DimitriyV.Masterov ठीक है आपके इनपुट के लिए धन्यवाद। मैं अपना जवाब खुद देना चाहूंगा लेकिन मेरे पास जरूरी एक्सडी कौशल नहीं है इसलिए मैंने आपसे क्यों पूछा। एक बहुत ही रोमांचक विषय है, लेकिन दृष्टिकोण के लिए बहुत मुश्किल है।

— विस्तार से

Answer 2

मोती कार्य-कारण के बारे में तर्क के लिए एक गणना प्रदान करता है, ग्रेंजर संभावित कारण संबंधों की खोज के लिए एक विधि प्रदान करता है। मैं विस्तार से बताऊंगा:

पर्ल का काम उस चीज पर आधारित है जिसे उन्होंने "स्ट्रक्चरल कॉसल मॉडल्स" कहा है, जो एक ट्रिपल एम = (यू, वी, एफ) है। इस मॉडल में यू एक्सोजेनस (बैकग्राउंड या ड्राइविंग) का संग्रह है, बिना वेरिएबल के, वी एंडोजेनस का संग्रह है (यू और वी से वेरिएबल्स द्वारा किसी तरह से निर्धारित किया गया है), और एफ फ़ंक्शन का एक संग्रह है एफ 1, एफ 2, ..., वी में प्रत्येक वी के लिए। चर वी पूरी तरह से वी = फाई (यू, वी \ वी) के रूप में निर्धारित किया जाता है, यह है कि फाई के तर्क यू में कुछ चर हैं, और वी में कुछ चर हैं। लेकिन वीआई खुद नहीं। इसे एक संभाव्य मॉडल में बदलने के लिए, यू को संभाव्यता वितरण के साथ संवर्धित किया जाता है। एक उदाहरण दिया जाता है जहां यू 1 एक आदमी के निष्पादन के लिए एक अदालत का आदेश है, वी एक कप्तान (वी 1) और दो राइफलमैन (वी 2) के कार्य हैं V3) फायरिंग स्क्वाड के साथ-साथ उस व्यक्ति के जीवित / मृत अवस्था में जिसे अदालत आदेश से संबंधित है (V3)। यदि न्यायाधीश आदमी को गोली मारने का आदेश देता है (U1 = 'निष्पादित'), तो यह कप्तान को आग लगाने का आदेश जारी करने का कारण बनता है, जो राइफलमैन को कैदी को गोली मारने का कारण बनता है, और इसलिए उसकी मृत्यु का कारण बनता है। यदि अदालत का आदेश नहीं दिया जाता है, तो कप्तान चुप रहता है, राइफलमैन गोली नहीं चलाते हैं, और कैदी को जीवित छोड़ दिया जाता है।

पर्ल का तर्क है कि कैसे उनके मॉडल का उपयोग करणीय, डिजाइन प्रयोगों के बारे में किया जा सकता है, हस्तक्षेप के प्रभावों की भविष्यवाणी कर सकता है, और काउंटर-तथ्यात्मक सवालों के जवाब दे सकता है। हस्तक्षेप संभावना सिद्धांत में किसी भी चीज से अलग है। हस्तक्षेप करने में हम मॉडल के साथ बातचीत करते हैं और एक चर स्थिरांक धारण करते हैं (जो केवल इस बात का अवलोकन करने से अधिक है कि चर एक विशेष स्थिति में है, जैसा कि संभाव्य कंडीशनिंग के साथ है), और पर्ल का वर्णन है कि मॉडल पर "सर्जरी कैसे करें" इस हस्तक्षेप के परिणाम की भविष्यवाणी करें। प्रति-तथ्यात्मक जवाब देना और भी मुश्किल है, क्योंकि हम जानना चाहते हैं कि एक प्रयोग के परिणाम क्या होते हैं, ऐसा कुछ नहीं था, भले ही यह मामला था। यह पर्ल के मॉडल के बारे में है।

दूसरी ओर ग्रेंजर कॉजेलिटी एक सांख्यिकीय पद्धति है, और कार्य-कारण को "सिद्ध" करने का कोई प्रयास नहीं करता है। यदि हमारे पास प्रक्रियाओं का एक पूरा गुच्छा है, तो हम "प्रशंसनीय कारण संबंधों" का एक ग्राफ प्राप्त करने के लिए ग्रेंजर कार्यकारिणी का उपयोग कर सकते हैं, जिसे संभावित वास्तविक कारणों के रूप में व्याख्या की जा सकती है, या उनकी परस्पर क्रिया के उपाय प्रदान कर सकते हैं, या ऊर्जा या सूचना के प्रवाह का पता लगा सकते हैं। प्रक्रियाओं के बीच। शाब्दिक कारण के मामले में, आप ऐसी स्थिति की कल्पना कर सकते हैं जिसमें प्रयोग (पर्ल के तरीकों के लिए आवश्यक) बहुत महंगा हो। किस स्थिति में, आप अभी भी सिस्टम का निरीक्षण कर सकते हैं और संभावित कारणों के लिए चीजों को संकीर्ण करने के लिए ग्रेंजर-कॉज़ेलिटी लागू कर सकते हैं। ऐसा करने के बाद, आपके पास कुछ समझ हो सकती है कि अतिरिक्त संसाधनों को कहां से कहां तक ​​उचित किया जाए।

पर्ल के कारण मॉडल के बारे में पढ़ते समय एक सवाल जो तुरंत दिमाग में आता है, वह यह है कि "मॉडल पहले स्थान पर कैसे बनता है?" यह डोमेन विशेषज्ञता और परिकल्पना के संयोजन के माध्यम से पूरा किया जाएगा, लेकिन Granger-Causality संभावित रूप से पर्ल कारण मॉडल के निर्माण के बारे में कुछ और जानकारी प्रदान कर सकती है।

चूंकि मेरे पास टिप्पणी करने के लिए पर्याप्त प्रतिष्ठा नहीं है, इसलिए मैं यहां दिमित्री वी। मास्टरोव के जवाब की आलोचना जोड़ूंगा: पीपर्स ग्रेंजर-कॉज ईस्टर नहीं। ईस्टर समय-समय पर होता है, भले ही पीप्स की घटना ईस्टर के साथ निकटता से संबंधित हो, ईस्टर की घटनाओं का इतिहास भविष्य की घटना का अनुमान लगाने के लिए पर्याप्त है। Peeps के बारे में जानकारी ईस्टर के बारे में कोई अतिरिक्त जानकारी नहीं जोड़ती है। मुझे लगता है कि यह एक महत्वपूर्ण बिंदु है: ग्रेंजर-कॉजेलिटी केवल सहसंबंध से कहीं अधिक है। जिन प्रक्रियाओं को सहसंबद्ध किया जाता है, उनमें कोई ग्रेंजर-कॉज़ल संबंध नहीं हो सकता है, और ग्रेंजर-कॉज़ल संबंध के साथ प्रक्रियाएँ सहसंबंधित नहीं हो सकती हैं।

Comments

आपके विस्तृत उत्तर (+1) के लिए धन्यवाद। मैं अपेक्षाकृत पुराने सवालों पर लोगों की प्रतिक्रिया देखकर सुखद आश्चर्यचकित हूं।

— १le