मुझे कौन-कौन से कारण जानने चाहिए?

Question

कार्यनीति के लिए मुझे कौन से सैद्धांतिक दृष्टिकोण को एक लागू सांख्यिकीविद् / अर्थशास्त्री के रूप में जानना चाहिए?

मुझे पता है (बहुत कम)

• नेमन-रुबिन कारण मॉडल (और रॉय , हैवेल्मो आदि)
• पर्ल का काम कॉजेलिटी पर
• ग्रैनजर कॉजेलिटी (हालांकि कम उपचार-उन्मुख)

मुझे कौन सी अवधारणाएं याद आती हैं या क्या मुझे इसके बारे में पता होना चाहिए?

संबंधित: मशीन सीखने में कार्य-कारण के लिए कौन से सिद्धांत हैं?

मैंने इन दिलचस्प सवालों और जवाबों ( 1 , 2 , 3 ) को पढ़ा है लेकिन मुझे लगता है कि यह एक अलग सवाल है। और मुझे यह देखकर बहुत आश्चर्य हुआ कि "कार्य-कारण", उदाहरण के लिए, सांख्यिकीय लर्निंग के तत्वों में वर्णित नहीं है ।

Comments

एजेएस: जेलमैन, ए। (2011) में एंड्रयू जेलमैन की कार्य-कारण की कई कार्यों की समीक्षा देखें । कौशल और सांख्यिकीय सीखना। अमेरिकन जर्नल ऑफ सोशियोलॉजी, 117 (3), 955-966। डोई: १०.१०i६ / ६६२६५ ९ । यह रूबिन और पर्ल के कार्यों के विशिष्ट संदर्भों के साथ-साथ कुछ अन्य लोगों के साथ सामाजिक विज्ञान में कार्य-कारण का संक्षिप्त अवलोकन है। संदर्भों को परिमार्जन करने के लिए एक अच्छी जगह है।

— पाकोमो

के साथ शुरू करने के लिए, (जॉन स्टुअर्ट) मिल के तरीके। en.wikipedia.org/wiki/Mill_Methods

— noumenal

वहाँ ग्रेंजर कारण की गलत व्याख्या के बारे में स्वीकृत उत्तर के तहत मेरी टिप्पणी देखें।

— रिचर्ड हार्डी

Answer 1

$B$

हालांकि यह लगभग अनियंत्रित है कि एक कारण के समय में इसके प्रभाव को पूर्ववर्ती करना पड़ता है, समय पूर्वता के साथ कारण निष्कर्ष निकालने के लिए, आपको अभी भी भ्रम की अनुपस्थिति का दावा करने की आवश्यकता है, जो कि हानिकारक संघों के अन्य स्रोतों के बीच है।

अब संभावित परिणामों के बारे में (नेमन-रूबिन) बनाम कॉसल ग्राफ्स / स्ट्रक्चरल इक्वेशन मॉडलिंग (पर्ल) के बारे में, मैं कहूंगा कि यह एक झूठी दुविधा है और आपको दोनों सीखना चाहिए।

सबसे पहले, यह ध्यान रखना महत्वपूर्ण है कि ये कार्य-कारण के बारे में विपरीत विचार नहीं हैं । जैसा कि पर्ल कहते हैं, इसमें (कार्य-कारण) अनुमान कार्यों के बारे में एक पदानुक्रम है:

1. अवलोकन संबंधी भविष्यवाणी
2. अंतर्संबंध के तहत भविष्यवाणी
3. Counterfactuals

पहले कार्य के लिए आपको केवल अवलोकन किए गए चर के संयुक्त वितरण को जानना होगा। दूसरे कार्य के लिए आपको संयुक्त वितरण और कारण संरचना को जानना होगा। अंतिम कार्य के लिए, जवाबी कार्रवाई के लिए, आपको अपने संरचनात्मक समीकरण मॉडल के कार्यात्मक रूपों के बारे में कुछ जानकारी की आवश्यकता होगी।

तो, जब जवाबी कार्रवाई के बारे में बात करते हैं, तो दोनों दृष्टिकोणों के बीच एक औपचारिक तुल्यता होती है । अंतर यह है कि संभावित नतीजे आदिम के रूप में प्रतिपक्षीय बयान लेते हैं और डीएजी में प्रतिपक्ष के रूप में लगते हैं संरचनात्मक समीकरणों से प्राप्त होती है। हालाँकि, आप पूछ सकते हैं, अगर वे "समतुल्य" हैं, तो दोनों को सीखने में क्यों परेशानी होती है? क्योंकि चीजों को व्यक्त करने और प्राप्त करने के लिए "सुगमता" के संदर्भ में मतभेद हैं।

उदाहरण के लिए, M-Bias की अवधारणा को व्यक्त करने का प्रयास करें केवल संभावित परिणामों का उपयोग करके --- मैंने कभी अच्छा नहीं देखा। वास्तव में, मेरा अब तक का अनुभव यह है कि जिन शोधकर्ताओं ने कभी रेखांकन का अध्ययन नहीं किया है, उन्हें भी इसकी जानकारी नहीं है। इसके अलावा, ग्राफिकल भाषा में अपने मॉडल की महत्वपूर्ण धारणाओं को कास्टिंग करना अनिवार्य रूप से अपने अनुभवजन्य परीक्षण योग्य निहितार्थ प्राप्त करने और पहचान के सवालों के जवाब देने में आसान बना देगा। दूसरी ओर, कभी-कभी लोगों को पहले स्वयं के बारे में सीधे सोचना आसान लगता है, और बहुत विशिष्ट प्रश्नों का उत्तर देने के लिए इसे पैरामीट्रिक मान्यताओं के साथ जोड़ते हैं।

बहुत कुछ कहा जा सकता है, लेकिन यहाँ मुद्दा यह है कि आपको "दोनों भाषाओं को बोलने" के बारे में सीखना चाहिए। संदर्भ के लिए, आप देख सकते हैं कि यहां कैसे शुरू किया जाए।

Comments

क्या आप ऐसी किसी चीज़ का उदाहरण प्रदान कर सकते हैं जो पीओ के संदर्भ में व्यक्त करना आसान है, लेकिन डीएजी में नहीं?

— गुहिलमे

@GuilhermeDuarte मध्यस्थता मात्रा उदाहरण के लिए नेस्टेड counterfactuals शामिल

— कार्लोस Cinelli

मुझे लगता है कि ग्रेंजर के कारण के बारे में आपका विचार (कम से कम जैसा कि यहां बताया गया है) थोड़ा अशुद्ध है। गंभीर कारण$A\xrightarrow{Granger} B$ मतलब कि $A$का भविष्य कहनेवाला शक्ति जोड़ा है$B$ खुद का इस्तेमाल भविष्यवाणी करने के लिए किया जाता है $B$। इस प्रकार रोस्टर ग्रेंजर-कारण सूर्योदय नहीं करते हैं क्योंकि वे सूर्योदय पर ऐतिहासिक आंकड़ों के आधार पर सूर्योदय की भविष्यवाणी में सुधार नहीं करते हैं।

— रिचर्ड हार्डी

@ रीचर्डहार्डी मुझे लगता है कि आप सही हैं, शायद एक आदर्श मुर्गा जो हमेशा सूर्योदय से एक घंटे पहले कौवे को सूर्योदय के समय श्रृंखला के एक रैखिक मॉडल से परे कुछ पूर्वानुमानित शक्ति दे सकता है (चूंकि सूर्योदय हर दिन ठीक वैसा ही नहीं होता है), लेकिन एक आदर्श मॉडल के साथ यह शायद कुछ भी नहीं जोड़ता है।

— कार्लोस सिनेली

मुझे लगता है कि ग्रेंजर एक्टिविटी केवल एक अतिरिक्त चर ए की आवश्यकता को औचित्य प्रदान करने के लिए बी के इतिहास के साथ अवर भविष्य कहनेवाला मॉडल का उपयोग करने का सुझाव नहीं देता है और इसलिए ग्रेंजर कारण। इसके बजाय, कोई आदर्श रूप से बी के स्वयं के इतिहास का उपयोग करके जितना संभव हो उतना अच्छा मॉडल बनाने का लक्ष्य रखेगा और फिर देखेगा कि क्या ए (किसी रूप में) बी को भविष्यवाणी करने में मदद करता है और निश्चित रूप से, "एक सही मुर्गा" एक बल्कि यूटोपियन अवधारणा है। इसे देखते हुए, मुझे लगता है कि यह प्रतिबिंबित करने के लिए उत्तर को संपादित करना एक अच्छा विचार हो सकता है।

— रिचर्ड हार्डी