Introducción a la inferencia causal

<p style=”text-align: justify;”>Inferencia causal: Inferencia causal es el proceso de sacar una conclusión sobre una conexión causal basada en las condiciones de ocurrencia de un efecto. La principal diferencia entre la inferencia causal y la inferencia de asociación es que la primera analiza la respuesta de la variable de efecto cuando se cambia la causa. La ciencia de por qué ocurren las cosas se llama etiología. La inferencia causal es un ejemplo de razonamiento causal.

La inferencia causal, o el problema de la causalidad en general, ha recibido mucha atención en los últimos años. La pregunta es simple, ¿es suficiente la correlación para la inferencia? Voy a decir lo siguiente, la persona desinformada más informada va a plantear cierto argumento que parece.

Introducción a la inferencia causal

Inferencia causal en estadística

La inferencia causal se refiere a una disciplina intelectual que considera los supuestos, diseños de estudio y estrategias de estimación que permiten a los investigadores sacar conclusiones causales basadas en datos. Como se detalla a continuación, el término “conclusión causal” que se utiliza aquí se refiere a una conclusión con respecto al efecto de una variable causal (a menudo denominada “tratamiento” en una concepción amplia de la palabra) sobre algunos resultados de interés.

La perspectiva dominante sobre la inferencia causal en la estadística tiene fundamentos filosóficos que se basan en la consideración de estados contrafácticos. En particular, considera los resultados que podrían manifestarse dada la exposición a cada una de un conjunto de condiciones de tratamiento. Los efectos causales se definen como comparaciones entre estos “resultados potenciales”. Por ejemplo, el efecto causal de un fármaco sobre la presión arterial sistólica 1 mes después de que ha comenzado el régimen del fármaco (frente a la ausencia de exposición al fármaco) se definiría como una comparación de la presión arterial sistólica que se mediría en este momento dada la exposición al fármaco. fármaco con la presión arterial sistólica que se mediría en el mismo punto en el tiempo en ausencia de exposición al fármaco.

Inferencia causal en estadística

El desafío para la inferencia causal es que generalmente no podemos observar ambos estados: en el momento en que medimos los resultados, cada individuo ha tenido exposición a drogas o no.

Inferencia causal en estadística

Yoshua Bengio, uno de los expertos en IA más reconocidos del mundo, explicó en una entrevista reciente de Wired: “Es una gran cosa integrar [causality] en IA. Los enfoques actuales del aprendizaje automático asumen que el sistema de IA entrenado se aplicará al mismo tipo de datos que los datos de entrenamiento. En la vida real, a menudo no es el caso “.

Yann LeCun, un reciente ganador del premio Turing, comparte la misma opinión y tuitea: “Mucha gente en ML / DL [deep learning] saber que la inferencia causal es una forma importante de mejorar la generalización “.

La inferencia causal y el aprendizaje automático pueden abordar uno de los mayores problemas que enfrenta el aprendizaje automático en la actualidad: que muchos datos del mundo real no se generan de la misma manera que los datos que usamos para entrenar modelos de IA. Esto significa que los modelos de aprendizaje automático a menudo no son lo suficientemente robustos para manejar cambios en el tipo de datos de entrada y no siempre pueden generalizarse bien. Por el contrario, la inferencia causal supera explícitamente este problema al considerar lo que podría haber sucedido al enfrentarse a una falta de información. En última instancia, esto significa que podemos utilizar la inferencia causal para hacer que nuestros modelos de AA sean más robustos y generalizables.

Libro de inferencia causal

Para la inferencia causal, existen varios bloques de construcción básicos. Una unidad es un objeto físico, por ejemplo, una persona, en un momento determinado. El tratamiento es una acción que puede aplicarse o retenerse de esa unidad. Nos centramos en el caso de dos tratamientos, aunque la extensión a más de dos tratamientos es simple en principio pero no necesariamente con datos reales.

Asociados con cada unidad hay dos resultados potenciales: el valor de una variable de resultado Y (p. ej., puntuación de la prueba) en un momento determinado t cuando el tratamiento activo (por ejemplo, un nuevo programa educativo) se usa en un momento anterior t0, y el valor de Y en el momento t cuando el programa educativo de control se utiliza en t0. El objetivo es conocer el efecto causal de la aplicación del tratamiento activo en relación con el control (tratamiento) en Y. La notación formal para este significado de efecto causal apareció por primera vez en Neyman (1923) en el contexto de la inferencia basada en la aleatorización en experimentos aleatorizados. Dejar W indicar qué tratamiento recibió la unidad: W = 1 el tratamiento activo, W = 0 el tratamiento de control.

Además, deja Y(1) será el valor de Y si la unidad recibió la versión activa, y Y(0) el valor si la unidad recibió la versión de control. El efecto causal del tratamiento activo en relación con su versión de control es la comparación de Y(1) y Y(0) – típicamente la diferencia, Y(1) – Y(0), o quizás la diferencia en los registros, log[Y(1)] – Iniciar sesión[Y(0)], o alguna otra comparación, posiblemente la proporción. El problema fundamental de la inferencia causal es que, para cualquier unidad individual, podemos observar sólo una de Y(1) o Y(0), como lo indica W; es decir, observamos el valor del resultado potencial bajo sólo uno de los tratamientos posibles, a saber, el tratamiento realmente asignado, y falta el resultado potencial bajo el otro tratamiento. Por lo tanto, la inferencia de los efectos causales es un problema de datos faltantes: falta el valor “otro”. De importancia en la investigación educativa, el puntaje de ganancia de una unidad, posprueba menos preprueba, mide un cambio en el tiempo y, por lo tanto, no es un efecto causal.

¿Qué es una inferencia causal en epidemiología?

Causalidad y inferencia causal en epidemiología Inferencia causal en epidemiología se considera mejor como un ejercicio de medición de un efecto que como un proceso guiado por criterios para decidir si un efecto está presente o no.

¿Es útil la inferencia causal?

En otras aplicaciones, como RL sin modelo, la capacidad de controlar explícitamente ciertas variables puede permitirle eludir la respuesta causal preguntas explícitamente. Pero hay varias situaciones, y muy importante aplicaciones, donde inferencia causal ofrece el único método para resolver el problema de una manera basada en principios.

¿Cuál es el problema fundamental de la inferencia causal?

los Problema fundamental de la inferencia causal es que es imposible observar la causal efecto en una sola unidad. O se toma la aspirina ahora o no. Como consecuencia, se deben hacer suposiciones para estimar los contrafactuales faltantes.

Publicaciones relacionadas:

Lo que necesita saber sobre los acuerdos legales ¿Qué es un grupo carboxilo? Comprensión de la prueba de independencia de chi-cuadrado Ramas de la ciencia: tipos y más 6 lecciones que puede aprender trabajando en ensayos universitarios Aumente sus posibilidades de obtener una beca con DoMyPapers.com Por qué el alojamiento de estudiantes es más importante durante la pandemia 6 destinos para visitar e inspirarse antes del semestre Comprender la connotación y la denotación negativas Detalles, consejos y más sobre comunicación intercultural 6 consejos para ayudarte a estudiar matemáticas de manera más eficiente Tejido areolar y otros detalles sobre mamoplastia