Introducci贸n a la inferencia causal

<p style=”text-align: justify;”>Inferencia causal: Inferencia causal es el proceso de sacar una conclusi贸n sobre una conexi贸n causal basada en las condiciones de ocurrencia de un efecto. La principal diferencia entre la inferencia causal y la inferencia de asociaci贸n es que la primera analiza la respuesta de la variable de efecto cuando se cambia la causa. La ciencia de por qu茅 ocurren las cosas se llama etiolog铆a. La inferencia causal es un ejemplo de razonamiento causal.

La inferencia causal, o el problema de la causalidad en general, ha recibido mucha atenci贸n en los 煤ltimos a帽os. La pregunta es simple, 驴es suficiente la correlaci贸n para la inferencia? Voy a decir lo siguiente, la persona desinformada m谩s informada va a plantear cierto argumento que parece.

Introducci贸n a la inferencia causalIntroducci贸n a la inferencia causal

Índice de contenidos

Inferencia causal en estad铆stica

La inferencia causal se refiere a una disciplina intelectual que considera los supuestos, dise帽os de estudio y estrategias de estimaci贸n que permiten a los investigadores sacar conclusiones causales basadas en datos. Como se detalla a continuaci贸n, el t茅rmino “conclusi贸n causal” que se utiliza aqu铆 se refiere a una conclusi贸n con respecto al efecto de una variable causal (a menudo denominada “tratamiento” en una concepci贸n amplia de la palabra) sobre algunos resultados de inter茅s.

La perspectiva dominante sobre la inferencia causal en la estad铆stica tiene fundamentos filos贸ficos que se basan en la consideraci贸n de estados contraf谩cticos. En particular, considera los resultados que podr铆an manifestarse dada la exposici贸n 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 f谩rmaco sobre la presi贸n arterial sist贸lica 1 mes despu茅s de que ha comenzado el r茅gimen del f谩rmaco (frente a la ausencia de exposici贸n al f谩rmaco) se definir铆a como una comparaci贸n de la presi贸n arterial sist贸lica que se medir铆a en este momento dada la exposici贸n al f谩rmaco. f谩rmaco con la presi贸n arterial sist贸lica que se medir铆a en el mismo punto en el tiempo en ausencia de exposici贸n al f谩rmaco.

Inferencia causal en estad铆sticaInferencia causal en estad铆stica

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

Inferencia causal en estad铆stica

Yoshua Bengio, uno de los expertos en IA m谩s reconocidos del mundo, explic贸 en una entrevista reciente de Wired: 鈥淓s una gran cosa integrar [causality] en IA. Los enfoques actuales del aprendizaje autom谩tico asumen que el sistema de IA entrenado se aplicar谩 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 opini贸n y tuitea: “Mucha gente en ML / DL [deep learning] saber que la inferencia causal es una forma importante de mejorar la generalizaci贸n “.

La inferencia causal y el aprendizaje autom谩tico pueden abordar uno de los mayores problemas que enfrenta el aprendizaje autom谩tico 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 autom谩tico 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 expl铆citamente este problema al considerar lo que podr铆a haber sucedido al enfrentarse a una falta de informaci贸n. En 煤ltima instancia, esto significa que podemos utilizar la inferencia causal para hacer que nuestros modelos de AA sean m谩s robustos y generalizables.

Libro de inferencia causal

Para la inferencia causal, existen varios bloques de construcci贸n b谩sicos. Una unidad es un objeto f铆sico, por ejemplo, una persona, en un momento determinado. El tratamiento es una acci贸n que puede aplicarse o retenerse de esa unidad. Nos centramos en el caso de dos tratamientos, aunque la extensi贸n a m谩s 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., puntuaci贸n 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 aplicaci贸n del tratamiento activo en relaci贸n con el control (tratamiento) en Y. La notaci贸n formal para este significado de efecto causal apareci贸 por primera vez en Neyman (1923) en el contexto de la inferencia basada en la aleatorizaci贸n en experimentos aleatorizados. Dejar W indicar qu茅 tratamiento recibi贸 la unidad: W = 1 el tratamiento activo, W = 0 el tratamiento de control.

Adem谩s, deja Y(1) ser谩 el valor de Y si la unidad recibi贸 la versi贸n activa, y Y(0) el valor si la unidad recibi贸 la versi贸n de control. El efecto causal del tratamiento activo en relaci贸n con su versi贸n de control es la comparaci贸n de Y(1) y Y(0) – t铆picamente la diferencia, Y(1) – Y(0), o quiz谩s la diferencia en los registros, log[Y(1)] – Iniciar sesi贸n[Y(0)], o alguna otra comparaci贸n, posiblemente la proporci贸n. El problema fundamental de la inferencia causal es que, para cualquier unidad individual, podemos observar s贸lo una de Y(1) o Y(0), como lo indica W; es decir, observamos el valor del resultado potencial bajo s贸lo 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 investigaci贸n 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.

驴Qu茅 es una inferencia causal en epidemiolog铆a?

Causalidad y inferencia causal en epidemiolog铆a Inferencia causal en epidemiolog铆a se considera mejor como un ejercicio de medici贸n de un efecto que como un proceso guiado por criterios para decidir si un efecto est谩 presente o no.

驴Es 煤til la inferencia causal?

En otras aplicaciones, como RL sin modelo, la capacidad de controlar expl铆citamente ciertas variables puede permitirle eludir la respuesta causal preguntas expl铆citamente. Pero hay varias situaciones, y muy importante aplicaciones, donde inferencia causal ofrece el 煤nico m茅todo para resolver el problema de una manera basada en principios.

驴Cu谩l 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.

Dejar un comentario