因果模型和有向图形模型之间有什么区别？

Question

因果模型和有向图形模型之间有什么区别？因果关系和定向概率关系之间有什么区别？更具体地说,你会把什么放在一个DirectedProbabilisticModel类的接口中,以及一个CausalModel类中的什么？一个人会继承另一个吗？

Answer 1

Judea Pearl的因果关系是值得一读的书.

不同之处在于,一个是因果关系,另一个是统计学.在解雇我作为重言式俱乐部的成员之前,请听我说.

定向概率关系(AKA是一组完整的条件概率表,AKA贝叶斯网络)仅包含统计信息.意味着您可以从联合概率表中推断出任何可以从定向概率关系中推断出来的东西,仅此而已.两者是等价的.

因果关系完全是另一回事.因果关系(AKA因果贝叶斯网络)必须指定在任何可变干预下发生的事情.干预是指变量被强制为超出模型正常影响的值.这相当于用一个新表替换强制变量(或变量,但我们只考虑一个简单)的条件概率,其中变量以概率1获取其强制值.

如果这没有意义,请跟进,我会澄清.

本节补充说明了评论中Neil的问题

尼尔问道:

如何在不进行干预的情况下确定定向概率关系的方向？换句话说,有向图形模型中是否有因果信息(即有关干预措施的概率信息？)

您可以通过进行额外的非统计假设来确定定向概率关系的方向.假设在联合分布中找到的条件独立关系是稳定的(意味着它们不存在偶然或取消),这些假设通常包括:假设没有隐藏变量,并且确实是非常重要的变量.贝叶斯网络没有做出这些假设.

有关如何恢复方向的详细信息,请参阅IC,PC和IC*算法.我相信IC的具体细节包括在: "推断因果理论"

Answer 2

因果模型有两种类型：干预模型和反事实模型。所有有向图模型都可以通过观察进行推理。介入模型是一种有向图形模型，可以根据观察和介入证据进行推理。反事实模型可以利用观察证据、干预证据和反事实证据（其来源是模型内的推论的干预措施）进行推理。

几年前，珀尔在一封私人电子邮件中写信给我：

根据定义，模型是一系列假设，而假设永远不会“已知为真”。它们可以通过理论、数据或实验来证实。但他们在等级制度中的地位是由他们所声称的内容决定的，而不是由他们来自哪里决定的。