Причинно следственной: Причинно-следственная связь — Психологос

Содержание

Причинно-следственная связь — Психологос

Причинно-следственная связь — связь между явлениями, при которой одно явление, называемое причиной, при наличии определенных условий порождает другое явление, называемое следствием.

Если собаке давали мясо одновременно с включением лампочки, то через несколько повторений выделение слюны у собаки начиналось не только на само мясо, но и на включение лампочки. Образовался условный рефлекс. Повторение совпадений двух раздражителей — причина, рефлекс — следствие.

Корреляция или причинно-следственная связь

Частая ошибка — в корреляции разглядеть причинно-следственную связь.

Наибольшая продолжительность жизни отмечается в регионах Шотландии с наименьшей плотностью населения и самым низким уровнем безработицы. В США продолжительность жизни коррелирует с уровнем дохода (жизнь бедняков и людей невысокого социоэкономического статуса чаще обрывается преждевременно). В современной Великобритании профессиональный статус коррелирует с продолжительностью жизни. Согласно результатам исследования, проводившегося в течение 10 лет с участием 17 350 государственных служащих Великобритании, количество смертей среди работников управленческого аппарата в 1,6 раза больше, а среди конторских служащих и рабочих — соответственно в 2,2 и 2,7 раза больше, чем среди управленцев высшего звена (Adler et al., 1993, 1994). Складывается впечатление, что в разное время и в разных географических точках между статусом и здоровьем существует вполне определенная взаимозависимость.

Приведенный выше пример взаимосвязи статуса и продолжительности жизни иллюстрирует наиболее распространенную как среди любителей, так и среди профессионалов ошибку мышления: когда два фактора «идут рука об руку», как статус и состояние здоровья, трудно не поддаться искушению и не сделать вывод о том, что один является причиной другого. Можно предположить, что статус каким-то образом защищает человека от того, что может причинить вред его здоровью. Или все совсем не так, и хорошее здоровье не следствие, а причина активности и успеха? Может быть, долгожители успевают накопить больше денег, и именно поэтому на их могилах стоят более дорогие надгробия? Корреляционное исследование позволяет нам сделать прогноз, но оно не может ответить на вопрос о том, вызовет ли изменение одного параметра (например, социального статуса) изменение другого параметра (например, состояния здоровья).

Факт: те дети, которых родители часто били, обычно хуже учатся и чаще демонстрируют асоциальное поведение. Значит ли, что одно следует из другого? Совершенно не очевидно. Скорее, и жестокие наказания детей, и плохая учеба вместе с асоциальным поведением — следствие того, что это дети росли в неблагополучных семьях.

Факт: дети с развитым чувством собственного достоинства обычно учатся лучше, чем дети с низким самоуважением. Значит ли это, что чувство собственного достоинства является причиной, а хорошая успеваемость — следствием? Нет, корреляция здесь еще ничего не говорит о том, что является причиной, а что — следствием. См.→

МОДУЛЬ 4 – Установление причинно-следственной связи ПППИ

С дополнительной информацией об установлении причинно-следственной связи можно ознакомиться в отчете Глобального консультативного комитета по безопасности вакцин (ГККБВ) «Установление причинно-следственной связи побочных проявлений после иммунизации». В отчете рассматриваются другие условия и меры, которые должны быть применены при установлении причинно-следственной связи в области безопасности вакцин..

Отчет ГККБВ: Установление причинно-следственной связи побочных проявлений после иммунизации

Во многих странах действуют системы ПППИ, и сообщениям о подозреваемых побочных проявлениях уделяется большое внимание. Такие системы были успешны при выявлении тяжелых ПППИ после того, как вакцины были разрешены к использованию. Как правило, есть необходимость в дополнительных исследованиях с целью дальнейшего расследования причинно-следственной связи ПППИ.

Несмотря на то, что наиболее надежный путь определения наличия причинно-следственной связи вакцины с побочным проявлением — это рандомизированное клинические испытание, такие испытания ограничены этапом клинической разработки вакцины. После того, как вакцина лицензирована, возможность проведения контролируемых исследований больше не рассматривается ввиду этических соображений (отказ от вакцинации).

Установление причинно-следственной связи представляет собой систематическую проверку данных о случае ПППИ. Такая оценка определяет вероятность наличия причинно-следственной связи между проявлением и полученной вакциной (вакцинами). Оценка причинно-следственной связи позволяет установить:

имеет ли ПППИ отношение к вакцине или программе вакцинации;
какие шаги, при необходимости, должны быть сделаны для реагирования на данное проявление.

Памятка ВОЗ по установлению причинно-следственной связи служит руководством для систематического, стандартизированного процесса оценки причинно-следственной связи в отношении серьезных побочных проявлений после иммунизации (включая кластеры проявлений).³⁶

Памятка ВОЗ: ПППИ: Установление причинно-следственной связи

Результаты определения причинно-следственной связи помогают повысить среди работников сферы здравоохранения осведомленность о рисках, связанных с вакциной. Все это, вместе со знанием о пользе иммунизации, формирует базу для информирования родителей и /или вакцинируемых о вопросах, касающихся вакцин.

Качество оценки причинно-следственной связи зависит от:

качества отчета о случае ПППИ,
эффективности системы отчетности о ПППИ,
качества процесса контроля причинно-следственной связи.

Установление причинно-следственной связи побочных проявлений с использованием вакцины основывается на пяти принципах.

Взыскание убытков и доказывание причинно-следственной связи

19.01.2021

Ключевой вывод по делу № 69-6/2020/8/100А/1154К

взыскание с подрядчика убытков в размере стоимости нового оборудования возможно только, если доказаны невозможность ремонта оборудования и наличие причинно-следственной связи между результатом работ по монтажу и повреждением.

Фактические обстоятельства

Истец (Заказчик) и Ответчик (Генподрядчик) заключили договор строительного подряда. В соответствии с условиями договора Ответчик обязался, в том числе, осуществить монтаж оборудования и, при согласовании с Истцом сметы, вправе выполнить пусконаладочные работы.

Ответчик выполнил работы по монтажу оборудования, Истец принял без замечаний результат выполненных работ. Пусконаладочные работы проводились силами Истца. Согласно акту приемки оборудования после комплексного опробования, оборудование (шкаф управления и насос) прошло комплексное опробование, включая необходимые пуско-наладочные работы, в ходе которых дефекты проектирования, изготовления и монтажа оборудования не выявлены.

Позднее Истец установил, что насос не функционирует, и составил дефектный акт. По результатам производственного совещания Истцу поручено получить заключение от сервисного центра о причинах выхода из строя насоса. Сервисным центром подготовлен дефектный акт, которым установлено, что при подключении насоса не было выполнено подключение защитных датчиков, что привело к выходу насоса из строя.

Истец обратился в суд с требованием о взыскании с Ответчика убытков в размере стоимости нового насоса и расходных запчастей к нему, на основании счет-протокола сервисного центра. В процессе судебного разбирательства установлено, что насос может быть отремонтирован, но стоимость ремонта превышает половину стоимости нового насоса и, вероятно, повлечет ухудшение показателей работы отремонтированного насоса.

Суды первой, апелляционной и кассационной инстанций отказали Истцу в удовлетворении исковых требований.

Выводы суда

отсутствует причинно-следственная связь между результатом выполненных Ответчиком работ по монтажу насоса и неподключении защитных датчиков насоса, и выходом насоса из строя. Ответчик не выполнял пусконаладочных работ и в материалах дела отсутствуют доказательства, что Истец надлежащим образом провел пуско-наладочные работы.
из результатов обследования насоса сервисным центром вытекает, что насос может быть отремонтирован, хотя и с вероятным ухудшением качества. При этом из содержания документов не следует невозможность достижения в процессе ремонта первоначальных технических характеристик работы насоса.
имущество Истца было не утрачено, а повреждено, в связи с этим причинно-следственная связь между заявленными Истцом составом расходов в качестве убытков (стоимость нового насоса) и результатом выполненной Ответчиком работы отсутствует. Взыскание стоимости ремонта насоса может являться предметом отдельного судебного разбирательства.

соответственно Истец не доказал, что для восстановления нарушенного права в связи с утратой имущества он должен будет приобрести именно новый насос.

Комментарии REVERA

При взыскании убытков необходимо доказать все элементы его состава, и причинно-следственная связь является одним из наиболее сложных элементов. Существует несколько теорий, предусматривающих конкретные тесты для проверки наличия причинно-следственной связи – в целом, истец должен доказать, что в результате действия (бездействия) именно ответчика или лица, за которое ответственен ответчик, ему причинены убытки.

В рассматриваемой ситуации Истец должен был доказать, что подключение защитных датчиков входило в объем работ, которые должен был выполнять Ответчик и, в результате их невыполнения поврежден насос. Вместе с тем, по договору строительного подряда Ответчик не обязан был выполнять пусконаладочные работы, потому суд пришел к выводу, что отсутствует причинно-следственная связь.

Также следует различать понятия «утрата», то есть объект невозможно восстановить с прежней работоспособностью, и «повреждение» имущества, то есть объект можно восстановить. Указанные понятия влияют на размер взыскиваемых убытков, так как с точки зрения теории, взыскиваемый размер убытков должен восстанавливать нарушенное право, и не может служить для цели неосновательного обогащения потерпевшей стороны.

Исходя из рассматриваемого постановления, утраты не будет и в случае, если стоимость ремонта составляет более половины стоимости нового оборудования.

Обращаем внимание, что особые основания и порядок взыскания убытков предусмотрены для отдельных категорий договоров. К примеру, по договорам международной купли-продажи (Венская конвенция 1980 г.) дополнительно требуется надлежащим образом известить ответчика о причинении убытков, а также доказать размер убытков, который ответчик предвидел или должен был предвидеть, как возможное последствие нарушения им договора. Определенные особенности также предусмотрены для договоров перевозки, строительного подряда и ряда иных договоров.

Ссылка на дело: http://court.gov.by/ru/justice_rb/praktice/acts_vs/economics/29d0adca91ac4abb.html

Все публикации

Причинно-следственная связь в гражданском праве

Причинно-следственная связь в гражданском праве — это один из элементов состава гражданско-правового правонарушения. Если она отсутствует, то ответственность в виде возмещения убытков или вреда применяться не может.

Понятие причинно-следственной связи при возмещении убытков

Ст. 15 Гражданского кодекса РФ указывает: убытки — нечто, что было причинено. То есть должна возникнуть прямая причинно-следственная связь между деянием субъекта и убытками. Отсутствие связи между поведением одной из сторон правоотношения (неисполнением или недолжным исполнением ею обязательства) и причиненными убытками станет основанием для освобождения от ответственности. Об этом можно прочитать в статье «Основания для освобождения должника от ответственности».

Следствием этого правила становится то, что лицо, виновное в причинении ущерба, возмещает ущерб и связанные с ним расходы только в том объеме, в котором они находятся в связи с его действиями (см. постановление ФАС СКО от 04.03.2013 по делу № А01-309/2012).

Устанавливая причинно-следственную связь, суды опираются на одну из основных теоретических концепций. По первой, более глобальной теории адекватного причинения связь есть везде, где ее может найти разумный человек. По второй, позволяющей ограничить размер ответственности и убытков, причинно-следственные связи могут быть:

прямыми;
косвенными.

Предполагается, что действие только тогда является причиной убытков, когда оно прямо и непосредственно соотносится с ними. Наличие же косвенной (опосредованной) связи между действием и убытками значит, что действие находится за пределами конкретного случая и за пределами юридически значимой связи между действием и ущербом.

По данному вопросу также рекомендуем прочитать статью на сайте КонсультантПлюс. Если у вас еще нет доступа к системе КонсультантПлюс, вы можете оформить его бесплатно на 2 дня.

Как доказать наличие или отсутствие причинно-следственной связи

При оспаривании требований о возмещении ущерба именно на истца возлагается бремя доказывания связи между действиями ответчика и причиненными истцу убытками.

Согласно ч. 1 ст. 65 Арбитражного процессуального кодекса РФ каждое лицо, участвующее в деле, должно доказать обстоятельства, на которые оно ссылается как на основание своих требований и возражений.

Кредитор представляет суду доказательства (см. п. 5 постановления Пленума ВС РФ от 24.03.2016 № 7):

подтверждающие наличие у него убытков;
обосновывающие с разумной степенью достоверности связь между нарушением обязательства должником и причиненными кредитору убытками.

При доказывании и оценке доказывания судами Пленум в п. 5 постановления № 7 предлагает исходить из следующих предпосылок:

если возникновение убытков становится стандартным последствием нарушения конкретного обязательства (например, выход отремонтированного оборудования из строя в период действия гарантийного срока), то наличие причинной связи между нарушением и доказанными кредитором убытками презюмируется;
должник вправе доказать существование иной причины возникновения этих убытков (в случае с ремонтом такой причиной будет нарушение правил эксплуатации оборудования).

Причинно-следственная связь в деликтных обязательствах

При анализе обязательств, вытекающих из возмещения вреда, судебная практика (см., например, определение ВС РФ от 30.11.2017 по делу № А13-4150/15) стоит на позиции, что деликтное обязательство может возникнуть только при одновременном наличии 4 условий:

совершение противоправного деяния;
наличие оцениваемого ущерба;
наличие вины;
наличие причинно-следственной связи между деянием и ущербом.

Требование истца о взыскании убытков (и упущенной выгоды) может быть удовлетворено судом только при установлении совокупности названных элементов деликтной ответственности (см. решение Арбитражного суда г. Севастополя от 16.11.2017 по делу № А84-691/2017). Доказательства наличия причинно-следственной связи, считает суд, должны быть допустимыми и полностью снимать вопрос о наличии или отсутствии связи между противоправными действиями и вредом. Таким доказательством может стать результат экспертизы (см. решение АС Республики Калмыкии от 31.01.2018 по делу № А22-2903/17).

Судебная практика по вопросам, связанным с установлением причинно-следственной связи

В практике можно обнаружить различные требования к доказыванию наличия причинно-следственной связи. Доказывание может совершаться в любой форме, предложенной истцом, а может носить строго формальный характер. Так, суды стоят на позиции, что в ряде случаев надлежащим доказательством становится документ, в котором ответчик определен в качестве виновника причиненного ущерба, при этом такой документ составляется в одностороннем порядке третьим лицом.

Так, в решении АС Самарской области от 23.01.2017 по делу № А55-16846/16 допустимым и достаточным доказательством признается акт-рекламация, составленный в одностороннем порядке ОАО «РЖД», в котором виновником поломки вагона признается ремонтное предприятие.

Отсутствие формальных оснований для установления связи приводит к интересным прецедентам. Так, в деле, связанном с попыткой рейдерского захвата, было признано, что действия одной из сторон спора были направлены на получение пакета акций общества, в том числе незаконными способами. Такие действия не могли не повлечь неблагоприятных последствий для общества и его акционеров, поэтому наличие убытков презюмируется (см. определение ВАС РФ от 07.04.2014 по делу № А56-44387/06). Наличие связи в данном случае устанавливается исходя из логических размышлений, при этом размер убытков и даже факт их существования не требуют доказывания.

***

Причинно-следственная связь — обязательное основание наступления гражданско-правовой ответственности. Способы доказывания связи между действиями и последствиями разнообразны.

Более полную информацию по теме вы можете найти в КонсультантПлюс.
Пробный бесплатный доступ к системе на 2 дня.

Сосудистый доступ и выживаемость пациентов на гемодиализе: особенности причинно-следственной связи | Зулькарнаев

1. Arhuidese IJ, Obeid T, Hicks C, Qazi U, Botchey I, Zarkowsky DS et al. Vascular access modifies the protective effect of obesity on survival in hemodialysis patients. Surgery. 2015; 158 (6): 1628-1634. PMID: 26126794. DOI: 10.1016/j.surg.2015.04.036.

2. Malas MB, Canner JK, Hicks CW, Arhuidese IJ, Zar-kowsky DS, Qazi U et al. Trends in incident hemodialysis access and mortality. JAMA Surg. 2015; 150 (5): 441-448. PMID: 25738981. DOI: m.1001/jama-surg.2014.3484.

3. Zhang JC, Al-Jaishi AA, Na Y, de Sa E, Moist LM. Association between vascular access type and patient mortality among elderly patients on hemodialysis in Canada. HemodialInt. 2014; 18 (3): 616-624. PMID: 24636659. DOI: 10.1111/hdi.12151.

4. Davenport A. Is Hemodialysis Patient Survival Dependent upon Small Solute Clearance (Kt/V)?: If So How Can Kt/V be Adjusted to Prevent Under Dialysis in Vulnerable Groups? Semin Dial. 2017 Mar; 30 (2): 86-92. PMID: 28074616. DOI: 10.1111/sdi.12566.

5. Sun Y, Wang Y, Yu W, Zhuo Y, Yuan Q, Wu X. Association of Dose and Frequency on the Survival of Patients on Maintenance of Hemodialysis in China: A Kaplan-Meier and Cox-Proportional Hazard Model Analysis. Med Sci Monit. 2018 Jul 31; 24: 5329-5337. PMID: 30063696. DOI: 10.12659/MSM.909404.

6. Fang YW, Leu JG, Tsai MH, Liou HH. Higher IntraDialysis Serum Phosphorus Reduction Ratio as a Predictor of Mortality in Patients on Long-Term Hemodialysis. Med Sci Monit. 2019 Jan 24; 25: 691-699. PMID: 30674864. DOI: 10.12659/MSM.913137.

7. Wetmore JB, Li S, Yan H, Xu H, Peng Y, Sinsakul MV et al. Predialysis anemia management and outcomes following dialysis initiation: A retrospective cohort analysis. PLoS One. 2018 Sep 26; 13 (9):e0203767. PMID: 30256836. DOI: 10.1371/journal.pone.0203767.

8. Drew DA, Lok CE, Cohen JT, Wagner M, Tangri N, Weiner DE. Vascular access choice in incident hemodialysis patients: a decision analysis. J Am Soc Nephrol. 2015 Jan; 26 (1): 183-191. PMID: 25063436. DOI: 10.1681/ASN.2013111236.

9. Arhuidese IJ, Cooper MA, Rizwan M, Nejim B, Malas MB. Vascular access for hemodialysis in the elderly. J Vasc Surg. 2019 Feb; 69 (2): 517-525.e1. PMID: 30683199. DOI: 10.1016/jjvs.2018.05.219.

10. Томилина НА, Андрусев АМ, Перегудова НГ, Шинкарев МБ. Заместительная терапия терминальной хронической почечной недостаточности в Российской Федерации в 2010-2015 гг. Отчет по данным общероссийского регистра заместительной почечной терапии Российского диализного общества. Часть первая. Нефрология и диализ. 2017; 19 (4, приложение): 1-95. DOI: 10.28996/1680-4422-2017-4suppl-1-95.

11. Ватазин АВ, Зулькарнаев АБ, Фоминых НМ, Карданахишвили ЗБ, Стругайло ЕВ. Формирование и обслуживание сосудистого доступа для хронического гемодиализа в Московской области: пятилетний опыт регионального центра. Вестник трансплантологии и искусственных органов. 2018; 20 (4): 44-53. DOI: 10.15825/1995-1191-2018-4-44-53.

12. Linn BS, Linn MW, Gurel L. Cumulative illness rating scale. J Amer Geriatr Soc. 1968; 16: 622-626.

13. Miller MD, Paradis CF, Houck PR, Mazumdar S, Stack JA, Rifai AH et al. Rating chronic medical illness burden in geropsychiatric practice and research: application of the Cumulative Illness Rating Scale. Psychiatry Res. 1992; 41:237-48.

14. Cefalu M. Pointwise confidence intervals for the covariate-adjusted survivor function in the Cox model. The Stata Journal. 2011; 11 (1): 64-81. DOI: 10.1177/1536867X1101100104.

15. Wang B, Wu P, Kwan B, TuXM, Feng C. Simpson’s Paradox: Examples. Shanghai Arch Psychiatry. 2018; 30 (2): 139-143. DOI: 10.11919/j.issn.1002-0829.218026.

16. Alencar de Pinho N, Coscas R, Metzger M, Labeeuw M, Ayav C, Jacquelinet C et al. Vascular access conversion and patient outcome after hemodialysis initiation with a nonfunctional arteriovenous access: a prospective registry-based study. BMC Nephrol. 2017; 18 (1): 74. DOI: 10.1186/s12882-017-0492-y.

17. Allon M, Daugirdas J, Depner TA, Greene T, Ornt D, Schwab SJ. Effect of change in vascular access on patient mortality in hemodialysis patients. Am J Kidney Dis. 2006; 47 (3): 469-477.

18. Bradbury BD, Chen F, Furniss A, Pisoni RL, Keen M, Mapes D et al. Conversion of vascular access type among incident hemodialysis patients: description and association with mortality. Am J Kidney Dis. 2009; 53 (5): 804-814. DOI: 10.1053/j.ajkd.2008.11.031.

19. Lacson EJr, Wang W, Lazarus JM, Hakim RM. Change in vascular access and mortality in maintenance hemodialysis patients. Am J Kidney Dis. 2009; 54 (5): 912-921. DOI: 10.1053/j.ajkd.2009.07.008.

20. Mehrotra R, Cheung AK, Meyer T, Nath KA. Vascular Access for Hemodialysis and Value-Based Purchasing for ESRD. J Am Soc Nephrol. 2017 Feb; 28 (2): 395397. DOI: 10.1681/ASN.2016070769.

21. Brown RS, Patibandla BK, Goldfarb-Rumyantzev AS. The Survival Benefit of «Fistula First, Catheter Last» in Hemodialysis Is Primarily Due to Patient Factors. J Am Soc Nephrol. 2017; 28 (2): 645-652. DOI: 10.1681/ASN.2016010019.

22. Woo K, Lok CE. New Insights into Dialysis Vascular Access: What Is the Optimal Vascular Access Type and Timing of Access Creation in CKD and Dialysis Patients? Clin J Am Soc Nephrol. 2016; 11 (8): 1487-1494. DOI: 10.2215/CJN.02190216.

23. Martmez-Gallardo R, Ferreira-Morong F, Garda-Pi-no G, Cerezo-Arias I, Hernandez-Gallego R, Caravaca F. Congestive heart failure in patients with advanced chronic kidney disease: association with pre-emptive vascular access placement. Nefrologia. 2012; 32 (2): 206-212. DOI: 10.3265/Nefrologia.pre2011.Dec.11223.

Причинно-следственная диаграмма

Таблица блокировок (Cаuse&Effects Diagrams) с указанием действий по управлению.

При описании алгоритмов управления систем АСУ ТП для качественной реализации всех (иногда противоречащих друг другу) функций требуется отделять алгоритмы управления от функций защит. Алгоритмы блокировок и защит имеют высший приоритет над действиями оператора системы и алгоритмами автоматического управления, а доступ к изменению данных функций защищают паролем. На картинке выше дано описание схемы блокировок и защит в виде причинно-следственной диаграммы.

Блокировка – это запрет какого-либо действия над устройством. Например, открыть клапан можно, а закрыть уже нельзя до устранения причины блокировки.

Понятие блокировка в АСУ ТП – это меры по предотвращению действия над объектом управления.

Защиты – это прямое действие над объектом. Например, в случае превышения уровня жидкости в емкости должен быть выключен насос.

Данный табличный (перекрестный) способ предоставления информации, является наиболее выгодным с точки зрения реализации алгоритмов защит и блокировок (построен по аналогии с программой Safety Matrix).

Ниже дается расшифровка позиций строк и столбцов:

1. размещается название позиций датчиков, показания которых должны приводить к каким-либо действиям, предусмотренным в случае выхода процесса за нештатную ситуацию

2. описывает тип выбранного резервирования. 1 из 1, это означает что датчик в данной контрольной точке всего один

3. размещается информация, описывающая назначение датчика в технологической схеме

4. тип среды, на которой находится датчик

5. пороговое значение параметра, которое является критерием возникновения блокировки

6. задержка времени, которую необходимо выдерживать до реализации блокировки. Данная задержка реализована для фильтрации срабатываний в случае возникновения условия блокировки на короткий промежуток времени

7. перекрестие отображает место, являющееся перекрестным для условия срабатывания блокировок. В случае возникновения в данной строке блокировочного условия, то команда передаётся на зависимый столбик, тем самым данный способ позволяет линейно проектировать защиты.

8. позиция исполнительного устройства, которое имеет блокировочные условия

#Описание, #блокировок, #защит, #безопасность, #датчик, #контур, #проектировать, #резервирование,#Таблица, #Cаuse, #Effects, #Diagrams, #причинно, #следственная, #диаграмма English version

Понятие о причинно-следственных связях. Методы установления причинно-следственных связей

Понятие о причинно-следственных связях. Методы установления причинно-следственных связей. — Текст : электронный // Myfilology.ru – информационный филологический ресурс : [сайт]. – URL: https://myfilology.ru//169/ponyatie-o-prichinno-sledstvennyx-svyazyax-metody-ustanovleniya-prichinno-sledstvennyx-svyazej/ (дата обращения: 20.07.2021)

Понятие о причинно-следственных связях

Перед тем как рассматривать непосредственно методы установления причинно-следственных связей, необходимо уяснить себе понятие причины и следствия.

Причиной называют такое явление, процесс или предмет, который уже в силу своего существования вызывает определенные изменения окружающего мира. Причина характеризуется тем, что всегда предшествует результату. Она лежит как бы в основе последствия. Так, ни одно следствие невозможно представить себе без причины, ведь последняя является своего рода отправной точкой. Приведем пример: «Ударила молния – лес загорелся». Очевидно, что здесь причиной является молния, если именно она спровоцировала пожар. Без такой причины следствия быть не могло. Конечно, можно говорить о том, что пожар мог начаться в результате поджога, однако в таком случае причиной стал бы поджог.

Следствие – это то, что влечет за собой причина; оно всегда вторично и зависимо, определяемо ей. Именно на таком соотношении причины и следствия построен профессиональный процесс многих людей. Пожарные, спасатели, сотрудники правоохранительных органов, прежде чем приступить к работе, вначале ищут причину. Например, пожарные приступают к тушению пожара, только когда более-менее ясно, от чего возник пожар и где. В противном случае риск для жизни повысился бы в несколько раз. Конечно, окончательно причина возгорания, будь то поджег, неисправность электропроводки или неосторожное обращение с огнем, становится ясна только по окончании тушения, но первоначально она должна быть определена хотя бы примерно.

Работник правоохранительных органов, выезжая на место происшествия, первым делом определяет причины этого происшествия. Если поступил сигнал об убийстве, необходимо проверить, является ли происшедшее на самом деле преступлением.

То есть определяется причина смерти. При этом отсеиваются версии о самоубийстве, несчастном случае, смерти от болезни и т. д. После этого (если установлено, что убийство имело место) определяется уже причина совершения преступления – корысть, месть и т. д.

Спасатели, приезжая на место вызова, вначале определяют причину несчастного случая, для того чтобы разработать наиболее эффективную тактику спасения. Если речь идет о падении с высоты, автомобильной катастрофе или другом травматичном событии, появляется необходимость в особом порядке транспортировки. Так, например, шейный, грудной и поясничный отделы позвоночника должны быть зафиксированы на случай, если имеются повреждения позвоночного столба. Виды оказываемой первой помощи также зависят от того, какое именно событие привело к возникновению опасных ситуаций, получению травм. Очевидно, что спасатели определяют причины произошедших событий для наиболее эффективной организации помощи гражданам.

На первый взгляд может показаться, что определение причины не важно, не имеет большого значения, однако приведенные выше примеры говорят об обратном. Установление причины необходимо, так как в противном случае оперативный работник милиции искал бы несуществующего преступника, расследуя стечение обстоятельств, похожее на преступление (стоит ли говорить, что установление причины – большая часть оперативной работы), а пожарные и спасатели не справлялись с работой.

Таким образом, причиной называется такая объективная связь между двумя явлениями, когда одно из них вызывает другое – следствие.

Раскрытие причинной связи между явлениями представляет собой сложный многогранный процесс, включающий разнообразные логические средства и способы познания. В логике разработано несколько методов установления причинной связи между явлениями. Из этих методов чаще всего используются четыре: метод сходства, метод различия, метод сопутствующих изменений и метод остатков. Нередко в научном исследовании применяются сочетания этих методов, но для уяснения сути вопроса следует рассмотреть их отдельно.

Методы установления причинно-следственных связей

Метод сходства заключается в том, что, если два и более случая исследуемого явления сходны только в одном обстоятельстве, существует вероятность, что именно это обстоятельство и есть причина или часть причины данного явления.

Например:

При условиях АВС возникает явление а.

При условиях ADE возникает явление а.

При условиях AFG возникает явление а.

Вероятно, обстоятельство А есть причина а.

Метод различия состоит в следующем: определяются два случая. Первый – тот, в котором происходит наступление рассматриваемого явления. Второй случай – тот, при котором наступление этого явления не происходит. Если эти два случая между собой отличаются только одним обстоятельством, вероятно, оно и является причиной возникновения рассматриваемого явления.

Например:

При условиях АВС возникает явление а.

При условиях ВСВ возникает явление а.

Вероятно, обстоятельство А есть причина а.

Метод сопутствующих изменений заключается в том, что, если какое-либо отдельно взятое явление изменяется каждый раз при изменении другого явления, с определенной степенью вероятности можно предположить, что второе явление влечет изменение первого и, следовательно, они находятся в причинной взаимозависимости.

Например:

При условиях А1ВС возникает явление а1.

При условиях А2ВС возникает явление а2.

При условиях А3ВС возникает явление а3.

Вероятно, обстоятельство А есть причина а.

Метод остатков означает, что, рассматривая причины сложного явления abc, которое вызвано целым рядом обстоятельств АВС, можно двигаться поэтапно. Изучив определенную часть причинных обстоятельств, мы можем вычесть ее из явления abc. В результате мы получим остаток данного явления, который будет следствием оставшихся из комплекса АВС обстоятельств. Например:

Явление аbс вызывается обстоятельствами АВС.

Часть b явления аbс вызывается обстоятельством В.

Часть с явления аbс вызывается обстоятельством С.

Вероятно, часть а явления аbс находится в причинной зависимости с обстоятельством А.

Рассмотрев методы установления причинно-следственных связей, можно сказать, что они по своей природе относятся к сложным умозаключениям. В них индукция сочетается с дедукцией, индуктивные обобщения строятся с использованием дедуктивных следствий.

Опираясь на свойства причинной связи, дедукция выступает логическим средством исключения случайных обстоятельств, тем самым она логически корректирует и направляет индуктивное обобщение.

Взаимосвязь индукции и дедукции обеспечивает логическую самостоятельность рассуждений при применении методов, а точность выраженного в посылках знания определяет степень обоснованности получаемых знаний.

02.09.2016, 8568 просмотров.

Объявляем о нашем начальном раунде на сумму 4,2 миллиона долларов, возглавляемом Accel

Мы рады объявить о нашем начальном раунде в поддержку нашего видения создания новой электронной таблицы для работы с числами. Раунд на $ 4,2 млн возглавляет Accel при участии существующих инвесторов Coatue, Passion Capital, Naval Ravikant и других.

Таблицы используются для 2 вещей:

Обработка чисел — моделирование, прогнозирование, расчеты, визуализация данных
Все остальное — бизнес-процессы, управление проектами, облегченная база данных, CRM

Инструменты без кода, такие как Airtable и Понятия берут на себя «все остальное».Причинно-следственная связь берет верх над обработкой чисел.

Компании работают с числами в рамках всей организации для бизнес-планирования и принятия решений. От базовой финансовой модели и сценарных планов в финансах до прогнозирования конвейера и расчетов комиссионных в продажах, до планирования рекламных расходов в маркетинге.

Последние 40 лет электронные таблицы были способом работы с числами на компьютере. Но сегодня электронные таблицы больше не подходят для нашей работы.

Мы создаем новый де-факто способ работы с числами на компьютере.

Таблицы сломаны для работы с числами.

Электронные таблицы работают на неправильном уровне абстракции.

Числа в нашей голове представляют значимые концепции — Доход , Продажи , Зарплата . Но электронные таблицы заставляют нас превращать их в «ячейки» — A4: h5 , $ E $ 12 , Sheet2! B1 — и смысл теряется при переводе.

Ячейки — неправильные строительные блоки для работы с числами, и эта фундаментальная проблема вызывает проблемы на каждом этапе рабочего процесса пользователя.

1. Трудно построить, сложнее поддерживать

Если строительными блоками являются ячейки, формулы выражаются в ссылках на ячейки.

Простые идеи в вашей голове превращаются в сложные загадки в электронной таблице:

= «Допущения модели»! $ D $ 61 * СУММА (D93: D94) -D36 * D14 * D7-D37 * D15 * D8

И большая часть вашей работы состоит в дублировании — чтобы спрогнозировать продажи 3 разных продуктов в 2 разных странах в течение 24 месяцев, вам понадобится 144 копии одной и той же концептуальной формулы.

Если вы думаете, что безопасно проанализировали все формулы и построили полную модель, то вы, вероятно, ошибаетесь — 80% электронных таблиц содержат ошибки из-за неправильных формул.

2. Отключено от вашего стека

Данные являются неотъемлемой частью работы с числами, но электронные таблицы отключены от ваших источников данных.

Финансовые группы тратят 5–10 часов вручную на экспорт CSV из пакетов бухгалтерского учета (Xero, Quickbooks, NetSuite) для обновления своих финансовых моделей каждый месяц, маркетинговые группы вручную копируют числа с рекламных платформ и инструментов аналитики, а группы продаж дублируют данные в своих CRM.

3. Анти-совместная работа

Работа над моделью электронной таблицы внутри команды — непростая задача. Непонятные формулы и отсутствие контроля версий затрудняют понимание не только работы вашей команды, но даже вашей собственной работы за последний месяц.

И чтобы поделиться им с другими, вам нужно скопировать и вставить диаграммы и таблицы в слайды и электронные письма (никто не поймет ваш файл электронной таблицы).

Но людям нужно поиграть с числами, чтобы понять модель («Что произойдет, если мы сможем снизить коэффициент оттока вдвое?»).Сами они не могут ответить на эти вопросы с помощью статических диаграмм — каждый запрос связан с накладными расходами по электронной почте и на собраниях.

Конечный результат — финансовые группы контролируют бизнес-планирование и принятие решений; процессы, которые необходимо задействовать каждой команде в компании.

Причинно-следственная связь — лучший способ работы с числами

‍

Наше видение — инструмент, который позволяет любому сотруднику компании создавать модели, делиться ими и понимать их.Это возможно только с действительно горизонтальным инструментом, позволяющим любой команде применять его в своих собственных сценариях использования, а также кросс-функционально сотрудничать с другими командами.

Спасибо! Мы скоро свяжемся с вами.

Ой! Что-то пошло не так при отправке формы.

Формулы, разработанные для людей

Инновация Causal начинается с выбора правильного фундаментального строительного блока для работы с числами. Мы называем их переменными . В этом примере одна формула для одной переменной прогнозирует Доход для 3 различных продуктов в 4 разных регионах.

‍

Подключено к остальной части вашего стека

Интеграция данных Causal подключается непосредственно к вашей бухгалтерской системе, инструментам аналитики, рекламным платформам и CRM.

Мы автоматически продвигаем ваши прогнозы при поступлении новых данных и автоматически отслеживаем эффективность вашей модели в сравнении с реальностью («бюджет против фактических»).

Настоящая совместная работа

Causal создает прекрасные визуальные эффекты за несколько щелчков мышью и автоматически создает интерактивные информационные панели для представления ваших результатов.Зрители могут спокойно играть с числами, чтобы понять модель, без всякого шанса что-либо сломать. А живые графики можно встраивать где угодно:

O

Вашим клиентам это нравится

Вероятно, самый захватывающий инструмент, который я нашел в Интернете за долгое время. Невероятно хорошо сложен. Это почти слишком просто. Хотел бы я знать о вашем продукте до того, как потратил несколько дней на создание нашей модели. К сожалению, 4 недели упорной работы над Google Таблицами были выброшены из окна, потому что мне кажется, что я могу воссоздать всю модель за день или около того…

— Тал Мезер, генеральный директор Tapi

За последний год мы разработали наш продукт вместе с несколькими первыми пользователями и клиентами для широкого спектра сценариев использования.

Финансовое планирование

Финансовые группы в быстрорастущих компаниях, таких как OnDeck и Smarkets, заменили свои финансовые модели Excel на Causal.

Causal позволяет финансовым отделам экономить 5–10 часов в месяц на ручном вводе данных за счет интеграции данных с системами бухгалтерского учета (Xero, QuickBooks, NetSuite и т. Д.)) и позволяет руководству и руководителям отделов активно взаимодействовать с финансовой моделью, играя с цифрами в режиме реального времени на совещаниях для принятия решений.

Другие варианты использования

Помимо финансов, Causal используется маркетинговыми командами и агентствами для прогнозирования рекламных кампаний; командами инженеров для планирования расходов на облако; отделами продаж, чтобы смоделировать их воронку продаж. Аналитические центры и некоммерческие организации используют причинно-следственные связи для проведения анализа экономической эффективности, а отдельные лица создают причинно-следственные модели для всего, от личного финансового планирования до моделирования стратегии видеоигр.

Наши инвесторы

Мы рады сотрудничать с Accel в качестве ведущего инвестора в нашем посевном раунде. Они присоединяются к звездному реестру существующих инвесторов, включая Coatue, Passion Capital, Naval Ravikant, Скотта Бельски (Adobe), Сахила Лавинги (Gumroad) и других.

Будущее

Наше видение состоит в том, чтобы заменить электронные таблицы как фактический инструмент для работы с числами. Это сложная задача, и мы будем рады вашей помощи в ее выполнении — мы активно нанимаем сотрудников на должности в области проектирования, продаж и финансов.

Если вам интересно, ознакомьтесь с нашей дорожной картой продукта здесь. И в следующий раз, когда вам нужно будет работать с числами, зарегистрируйтесь и попробуйте Causal!

Награда за причинно-следственную связь в статистике образования

Победитель на 2020 год не выбран.

О премии

Премия «Причинность в статистике» в образовании поощряет преподавание базовых причинно-следственных выводов на вводных курсах статистики и мотивируется растущей важностью введения основных элементов причинно-следственных связей в статистические классы бакалавриата и старших курсов.Премия вручается ASA человеку или группе, которые делают все возможное для улучшения преподавания и изучения причинно-следственного вывода в статистике.

Премия была учреждена в 2013 году на пожертвование от Judea Pearl и продолжена при поддержке Microsoft Research и Google. Ежегодно присуждена денежная премия в размере 5000 долларов США.

Критерии отбора

Победители выбираются членами Комитета по присуждению премии в области причинно-следственной связи в статистике образования, которые рассматривают представленные материалы и оценивают их достоинства в соответствии со следующими критериями:

Степень, в которой представленный материал дает учащимся навыки, необходимые для эффективного причинно-следственного рассуждения, включая следующие:
1. Способность правильно классифицировать проблемы, предположения и утверждения на две отдельные категории: причинные иассоциативный
2. Способность взять данную причинно-следственную проблему и сформулировать на каком-либо математическом языке (например, контрфактах, уравнениях или графиках) как целевую величину, которую необходимо оценить, так и допущения, которые человек готов сделать (и отстаивать) для облегчения решения
3. Способность определять, в простых случаях, нужен ли контроль ковариат для оценки целевого количества, какие ковариаты нужно контролировать, какова результирующая оценка и как ее можно оценить с использованием наблюдаемых данных
4. Способность взять простой сценарий (или модель), определить, имеет ли он статистически проверяемые последствия, и применить данные для проверки предполагаемого сценария
Степень, в которой представленный материал помогает преподавателям статистики в понимании основ причинного вывода, как указано в a – d выше, и подготавливает их к преподаванию этих основ на курсах бакалавриата и старших курсов по статистике.

Номинальный материал может быть в различных формах, включая примерное содержание, такое как классные заметки, книги или главы с соответствующими планами уроков; отличные ресурсы для учителей, такие как аннотированные инструкции по эксплуатации; или новаторские занятия для учащихся с педагогическими и содержательными примечаниями, особенно с использованием общедоступных технологий.

Обязанности получателя награды

Получатель награды несет ответственность за предоставление актуальной фотографии и общей личной информации в год вручения награды. Американская статистическая ассоциация использует эту информацию для публикации награды и подготовки чека и сертификата.

Номинации

Кандидатуры принимаются до 5 апреля и требуют следующего:

Письмо о назначении
Номинирующий материал (как описано выше)

Вопросы

Пожалуйста, свяжитесь с одним из сопредседателей комитета.

uber / causalml: моделирование роста и причинно-следственный вывод с помощью алгоритмов машинного обучения

Этот проект стабилен и инкубируется для долгосрочной поддержки. Он может содержать новый экспериментальный код, API которого могут быть изменены.

Causal ML — это пакет Python, который предоставляет набор методов моделирования роста и причинно-следственных связей с использованием алгоритмов машинного обучения на основе последних исследовать. Он предоставляет стандартный интерфейс, который позволяет пользователю оценить условный средний эффект лечения (CATE) или индивидуальное лечение. Эффект (ITE) из экспериментальных или наблюдательных данных.По сути, он оценивает причинное влияние вмешательства T на результат Y для пользователей с наблюдаемыми особенностями X , без строгих предположений о форме модели. Типичные варианты использования включают

Оптимизация таргетинга кампании : Важным рычагом увеличения рентабельности инвестиций в рекламную кампанию является нацеливание рекламы на группу клиентов, которые получат положительный ответ по заданному KPI, например вовлечению или продажам. CATE идентифицирует этих клиентов, оценивая эффект KPI от показа рекламы на индивидуальном уровне на основе эксперимента A / B или исторических данных наблюдений.
Персонализированное взаимодействие : у компании есть несколько вариантов взаимодействия со своими клиентами, например, различные варианты продуктов при дополнительных продажах или каналы обмена сообщениями для связи. CATE можно использовать для оценки неоднородного эффекта лечения для каждого клиента и комбинации вариантов лечения для создания оптимальной персонализированной системы рекомендаций.

В настоящее время пакет поддерживает следующие методы

Древовидные алгоритмы
- Восходящее дерево / случайные леса на расхождении KL, евклидовом расстоянии и хи-квадрат [1]
- Поднятые деревья / случайные леса при выборе контекстной обработки [2]
- Причинное дерево [3] — Незавершенное производство
Алгоритмы мета-обучения
- S-ученик [4]
- Профессиональный ученик [4]
- X-ученик [4]
- R-обучающийся [5]
- Учащийся с двойной устойчивостью (DR) [6]
- Учащийся TMLE [7]
Алгоритмы инструментальных переменных
- Двухступенчатый метод наименьших квадратов (2SLS)
- Двойная надежность (DR) IV [8]
Алгоритмы на основе нейронных сетей

Рекомендуется установка с conda . conda файлы среды для Python 3.6, 3.7, 3.8 и 3.9 доступны в репозитории. Чтобы использовать модели под модулем inference.tf (например, DragonNet ), требуется дополнительная зависимость от tensorflow . Подробные инструкции см. Ниже.

Установить с использованием

conda :

Это создаст новую виртуальную среду conda с именем causalml- [tf-] py3x , где x находится в [6, 7, 8, 9] .например causalml-py37 или causalml-tf-py-38 . Если вы хотите изменить имя среды, обновите соответствующий файл YAML в envs / `

  $ git clone https://github.com/uber/causalml.git
$ cd causalml / envs /
$ conda env create -f environment-py38.yml # для виртуальной среды с Python 3.8 и CausalML
$ conda активировать causalml-py38
(causalml-py38)

Установите

causalml с тензорным потоком

  $ git clone https: // github.ru / uber / causalml.git
$ cd causalml / envs /
$ conda env create -f environment-tf-py38.yml # для виртуальной среды с Python 3.8 и CausalML
$ conda активировать causalml-tf-py38
(causalml-tf-py38) pip install -U numpy # этот шаг необходим для исправления [# 338] (https://github.com/uber/causalml/issues/338)

Установить с помощью патрубка

  $ git clone https://github.com/uber/causalml.git
$ cd causalml
$ pip install -r requirements.txt
$ pip install causalml

Установите

causalml с тензорным потоком

  $ git clone https: // github.ru / uber / causalml.git
$ cd causalml
$ pip install -r требования-tf.txt
$ pip install causalml [tf]
$ pip install -U numpy # этот шаг необходим для исправления [# 338] (https://github.com/uber/causalml/issues/338)

Установить из исходников:

  $ git clone https://github.com/uber/causalml.git
$ cd causalml
$ pip install -r requirements.txt
$ python setup.py build_ext --inplace
$ python setup.py установить

Оценка среднего эффекта лечения с учащимися S, T, X и R

 из causalml.inference.meta import LRSRegressor
из causalml.inference.meta import XGBTRegressor, MLPTRegressor
from causalml.inference.meta import BaseXRegressor
from causalml.inference.meta import BaseRRegressor
из xgboost импортировать XGBRegressor
из causalml.dataset импортировать синтетические_данные

y, X, обращение, _, _, e = синтетические_данные (режим = 1, n = 1000, p = 5, сигма = 1.0)

lr = LRSRegressor ()
te, lb, ub = lr.estimate_ate (X, обращение, y)
print ('Средний эффект лечения (линейная регрессия): {: .2f} ({: .2f}, {: .2f})'. format (te [0], lb [0], ub [0]))

xg = XGBTRegressor (random_state = 42)
te, фунт, ub = xg.оценка_ate (X, обращение, y)
print ('Средний эффект лечения (XGBoost): {: .2f} ({: .2f}, {: .2f})'. format (te [0], lb [0], ub [0]))

nn = MLPTRegressor (hidden_layer_sizes = (10, 10),
                 learning_rate_init = .1,
                 Early_stopping = Верно,
                 random_state = 42)
te, lb, ub = nn.estimate_ate (X, обработка, y)
print ('Средний эффект лечения (нейронная сеть (MLP)): {: .2f} ({: .2f}, {: .2f})'. format (te [0], lb [0], ub [0] ))

xl = BaseXRegressor (учащийся = XGBRegressor (random_state = 42))
te, фунт, ub = xl.оценка_ate (X, e, обращение, y)
print ('Средний эффект лечения (BaseXRegressor с использованием XGBoost): {: .2f} ({: .2f}, {: .2f})'. format (te [0], lb [0], ub [0]))

rl = BaseRRegressor (учащийся = XGBRegressor (random_state = 42))
te, lb, ub = rl.estimate_ate (X = X, p = e, treatment = treatment, y = y)
print ('Средний эффект лечения (BaseRRegressor с использованием XGBoost): {: .2f} ({: .2f}, {: .2f})'. format (te [0], lb [0], ub [0]))

Подробнее см. В блокноте с примерами мета-учащихся.

Интерпретируемая причинно-следственная связь ML

Causal ML предоставляет методы интерпретации моделей эффекта лечения, обученных следующим образом:

Важность функций мета-обучающихся

 из causalml.inference.meta импорт BaseSRegressor, BaseTRegressor, BaseXRegressor, BaseRRegressor
from causalml.dataset.regression импортировать синтетические_данные

# Загрузить синтетические данные
y, X, обработка, тау, b, e = синтетические_данные (режим = 1, n = 10000, p = 25, сигма = 0,5)
w_multi = np.array (['treatment_A' if x == 1 else 'control' для x in treatment]) # настроить названия процедур / элементов управления

slearner = BaseSRegressor (LGBMRegressor (), control_name = 'элемент управления')
slearner.estimate_ate (X, w_multi, y)
slearner_tau = slearner.fit_predict (X, w_multi, y)

model_tau_feature = RandomForestRegressor () # указать модель для model_tau_feature

слёрнер.get_importance (X = X, tau = slearner_tau, model_tau_feature = model_tau_feature,
                        normalize = True, method = 'auto', features = feature_names)

# Использование метода feature_importances_ в базовом учащемся (LGBMRegressor () в этом примере)
slearner.plot_importance (X = X, tau = slearner_tau, normalize = True, method = 'auto')

# Использование PermutationImportance в eli5
slearner.plot_importance (X = X, tau = slearner_tau, normalize = True, method = 'permutation')

# Использование SHAP
shap_slearner = slearner.get_shap_values (X = X, тау = slearner_tau)

# Построение значений shap без указания shap_dict
слёрнер.plot_shap_values (X = X, tau = slearner_tau)

# Построение значений shap с указанием shap_dict
slearner.plot_shap_values (X = X, shap_dict = shap_slearner)

# Interaction_idx установлено на 'auto' (поиск функции с наибольшим приблизительным взаимодействием)
slearner.plot_shap_dependence (treatment_group = 'treatment_A',
                              feature_idx = 1,
                              Х = Х,
                              тау = slearner_tau,
                              Interaction_idx = 'auto')

Подробнее см. В блокноте с примером интерпретации функций.

Визуализация дерева подъема

 из IPython.display import Image
from causalml.inference.tree import UpliftTreeClassifier, UpliftRandomForestClassifier
из causalml.inference.tree import uplift_tree_string, uplift_tree_plot

uplift_model = UpliftTreeClassifier (max_depth = 5, min_samples_leaf = 200, min_samples_treatment = 50,
                                    n_reg = 100, evalFunction = 'KL', control_name = 'control')

uplift_model.fit (df [features] .values,
                 treatment = df ['ключ_группы_обработки'].значения,
                 y = df ['конверсия']. значения)

graph = uplift_tree_plot (uplift_model.fitted_uplift_tree, функции)
Изображение (graph.create_png ())

Подробнее см. В блокноте с примером визуализации «Дерево подъема».

Мы приветствуем участников сообщества, участвующих в проекте. Прежде чем начать, пожалуйста, прочтите наш кодекс поведения и сначала ознакомьтесь с правилами участия.

Мы документируем версии и изменения в нашем журнале изменений.

Этот проект находится под лицензией Apache 2.0 Лицензия — подробности см. В файле ЛИЦЕНЗИИ.

Документация

Цитата

Чтобы цитировать CausalML в публикациях, вы можете обратиться к следующим источникам:

Белая книга: CausalML: пакет Python для каузального машинного обучения

Бибтекс:

@misc {chen2020causalml, title = {CausalML: пакет Python для каузального машинного обучения}, author = {Хуиган Чен, Тотте Харинен, Чон-Юн Ли, Майк Юнг и Чжэнью Чжао}, год = {2020}, eprint = {2002.11631}, archivePrefix = {arXiv}, primaryClass = {cs.CY} }

Документы

Рэдклифф, Николас Дж. И Патрик Д. Сарри. «Реальное моделирование подъемов с помощью деревьев подъемов на основе значимости». Официальный документ TR-2011-1, Стохастические решения (2011): 1-33.
Чжао, Ян, Сяо Фан и Давид Симчи-Леви. «Моделирование поднятия с использованием нескольких методов лечения и общих типов реакции». Труды Международной конференции SIAM 2017 по интеллектуальному анализу данных. Общество промышленной и прикладной математики, 2017.
Атей, Сьюзан и Гвидо Имбенс. «Рекурсивное разделение для гетерогенных причинно-следственных связей». Труды Национальной академии наук 113.27 (2016): 7353-7360.
Künzel, Sören R., et al. «Методы оценки неоднородных эффектов лечения с использованием машинного обучения». Известия национальной академии наук 116.10 (2019): 4156-4165.
Не, Синкунь и Стефан Вейджер. «Квази-оракульная оценка неоднородных лечебных эффектов». Препринт arXiv arXiv: 1712.04912 (2017).
Банг, Хиджунг и Джеймс М. Робинс. «Вдвойне надежная оценка недостающих данных и причинно-следственных моделей». Биометрия 61.4 (2005): 962-973.
Ван дер Лаан, Марк Дж. И Даниэль Рубин. «Целевое обучение с максимальной вероятностью». Международный журнал биостатистики 2.1 (2006).
Кеннеди, Эдвард Х. «Оптимальная дважды робастная оценка неоднородных причинных эффектов». Препринт arXiv arXiv: 2004.14497 (2020).
Луизос, Христос и др. «Вывод причинно-следственных связей с использованием глубоких моделей с латентными переменными.»Препринт arXiv arXiv: 1705.08821 (2017).
Ши, Клаудиа, Дэвид М. Блей и Виктор Вейтч. «Адаптация нейронных сетей для оценки эффектов лечения». 33-я конференция по системам обработки нейронной информации (NeurIPS 2019), 2019.

Связанные проекты

uplift: модели uplift в
grf: обобщенные случайные леса, которые включают оценку эффекта неоднородной обработки в
rlearner: пакет R, реализующий R-Learner
DoWhy: причинно-следственный вывод в Python на основе do-исчисления Judea Pearl
EconML: пакет Python, который реализует гетерогенные оценки эффекта лечения на основе методов эконометрики и машинного обучения

Комментарий: о причинах, причинно-следственных связях и возможных последствиях | Международный эпидемиологический журнал

Я хотел бы структурировать свои замечания по статьям Vandenbroucke et al.¹ и Кригером и Дэйви Смитом ² вокруг ряда утверждений, которые формулируют мои взгляды на причины, причинно-следственную связь и потенциальные результаты. Затем я свяжу каждое из предположений с материалом, обсуждаемым Vandenbroucke et al. и Кригером и Дэйви Смитом и обсудить, где я согласен и не согласен с их комментариями. Определенные утверждения о структуре потенциальных результатов, сделанные Vandenbroucke et al. также были разъяснены в недавнем письме. ³ См. Также соответствующее обсуждение ⁴ другой недавней аналогичной статьи Schwartz et al.⁵

(1) Следует проводить различие между условиями, при которых мы можем разумно описать что-либо как причину, и при которых мы можем разумно определить количественную оценку причинно-следственных связей. Структура потенциальных результатов обеспечивает подход к определению оценок случайных эффектов

Кригер и Дэйви Смит говорят о том, «что нынешняя контрфактическая структура… не позволяет считаться« причиной ». Следует проводить различие между тем, при каких обстоятельствах разумно ссылаться на что-то как на причину и при каких обстоятельствах это разумно говорить об оценке причинного эффекта i.е. конкретное число (возможно, с соответствующим доверительным интервалом), которое мы пытаемся дать точную причинную интерпретацию. Другими словами, обстоятельства могут отличаться в зависимости от того, когда мы готовы говорить о причине качественно, от того, когда мы считаем разумным дать количественную оценку. Структура потенциальных результатов позволяет количественно оценить причинно-следственные связи. Для гипотетического вмешательства он определяет причинный эффект для человека как разницу между результатами, которые будут наблюдаться для этого человека с рассматриваемым воздействием или вмешательством или без него.Чтобы сделать это определение точным, структура потенциальных результатов предполагает определенные допущения, например, что гипотетическое вмешательство достаточно хорошо определено, чтобы результат вмешательства был для каждого человека уникальным или имел уникальное распределение. ⁶ ^, ⁷ Структура потенциальных результатов обеспечивает набор достаточных условий для определения количественного причинного эффекта, то есть причинно-следственной оценки. Термин «причинный эффект» сам по себе несколько неоднозначен, поскольку его можно просто использовать для обозначения следствия причины; однако он часто используется в более точном смысле в рамках структуры потенциальных результатов как числовая величина, которую пытаются оценить на основе данных, также называемую «причинно-следственной оценкой».С этого момента я буду называть это просто «причинно-следственной оценкой».

Затем структура потенциальных результатов формально формулирует допущения, при которых такие причинно-следственные оценки могут быть оценены в среднем (или в распределении) для совокупности. Когда имеется в виду вмешательство, обычно имеет смысл говорить о причинных эффектах количественно, например: если мы рассматриваем вмешательство, принимающее таблетку X, мы можем рассмотреть, насколько артериальное давление может отличаться для человека с таблеткой или без нее.Как правило, всякий раз, когда уместно говорить о конкретной причинно-следственной оценке, и тогда, при условии, что она не равна нулю для кого-то, также разумно говорить о гипотетическом вмешательстве или воздействии как о причине. Однако обратное неверно: существует множество контекстов, в которых разумно говорить о чем-либо как о причине, но труднее сформулировать, что подразумевается под оценкой причинного следствия. Как будет описано ниже, я думаю, что вполне разумно сказать, что ожирение является причиной долголетия, но гораздо труднее определить, что именно подразумевается под причинно-следственной оценкой ожирения.

Таким образом, в отличие от Vandenbroucke et al. и Кригер и Дэйви Смит, структура потенциальных результатов, таким образом, не разграничивает то, что является «причиной». Он обеспечивает достаточные условия для концептуализации количественных оценок причинно-следственных связей, и я утверждаю ниже, что в настоящее время для этого не так много удовлетворительных альтернатив. Количественные определения, формулировка допущений, интерпретация и оценка воздействия, по крайней мере в настоящее время, в значительной степени ограничиваются структурой потенциальных результатов или теми, из которых потенциальные результаты могут быть получены или имеют аналоги, такие как причинно-следственные сети Байеса или диаграммы вмешательств.^8–10

(2) Все контрфакты в некоторой степени расплывчаты, но их можно уточнить, указав далее рассматриваемый сценарий, противоположный фактам. Когда такие противоречащие фактам сценарии достаточно точны, они допускают потенциальные результаты. Затем структура потенциальных результатов обеспечивает концептуальную и математическую связь между данными и оценками причинно-следственных связей

Позиция, которая часто формулируется, состоит в том, что все контрфакты в определенной степени расплывчаты, но они уточняются путем дальнейшего уточнения соответствующего сценария, противоречащего фактам, или путем дальнейшего уточнения того, что имеется в виду под контрфактами.^11–14 Я считаю, что это относится как к обсуждению причинных оценок, так и к обсуждению причин.

Эта позиция также была эффективно принята теми, кто использует схему потенциальных результатов. Возможные исходы всегда в определенной степени плохо определены, но их можно уточнить, уточнив гипотетическое вмешательство или рассматриваемый сценарий, противоречащий фактам. Рассматриваемый сценарий, противоречащий фактам, не обязательно должен соответствовать действиям человека, но если он соответствует, это помогает дополнительно уточнить, что имеется в виду.Однако указание гипотетического вмешательства не может устранить всю двусмысленность. Таким образом, что касается примера приема таблетки X, все еще могут быть вопросы относительно времени приема таблетки и того, принимается ли таблетка с едой или без нее. Указание некоторых из них может уточнить рассматриваемый контрфактический момент. Но некоторые из этих аспектов могут не иметь отношения к результату и, таким образом, потенциально могут быть проигнорированы. ¹⁵ Концептуализации, которые позволяют потенциальным результатам для каждого человека следовать распределению, но при этом еще больше ослабляют требования.⁷ ^, ¹⁵ Общий принцип, однако, заключается в том, что чем дальше мы уточняем гипотетическое вмешательство, тем точнее становится наше контрфактическое вмешательство. Если гипотетическое вмешательство достаточно точное, тогда мы можем использовать числовые возможные результаты, с вмешательством и без него, и можем рассмотреть причинно-следственные оценки.

Однако, даже если наше воздействие или гипотетические вмешательства не точны, мы все равно можем задать контрфактические вопросы или спросить, являются ли конкретные воздействия причинами.В случае ожирения, например, утверждение, что «ожирение — причина долголетия», является расплывчатым. Однако можно было бы дополнительно уточнить, что имеется в виду. Если кого-то дополнительно спросят о значении этого утверждения, его можно понять в соответствии с этим, если бы можно было уменьшить индекс массы тела (ИМТ) для людей с ИМТ 30, чтобы снизить его до ИМТ 25, тогда это вмешательство приведет к увеличению продолжительности жизни некоторых из этих людей. Но контрфактический вывод все еще неясен: любой практический способ добиться снижения ИМТ, будь то упражнения, диета, операция на желудке или липосакция, вполне может иметь различное влияние на долголетие.¹⁶ Однако, если бы значение истинности каждой возможной интерпретации или более точной спецификации контрфактов было одинаковым, тогда было бы разумно приписать это значение истинности также неточно определенному контрфактуальному предположению. В таком случае мы могли бы сказать, что «ожирение является причиной долголетия», даже если формальные потенциальные результаты и, следовательно, причинно-следственные оценки не определены четко.

Существует целый ряд четко определенных контрфактических фактов. Как видно из приведенного выше примера, требования в отношении устранения двусмысленности для числовых потенциальных результатов более строгие, чем для общих контрфактических запросов или обсуждения причин.Конечно, простая запись обозначений потенциальных результатов не означает, что потенциальные результаты четко определены. Они четко определены в той степени, в которой указаны гипотетическое вмешательство или сценарий, противоречащий фактам.

Когда целесообразно использовать потенциальные результаты, структура обеспечивает концептуальную и математическую связь между данными и оценками причинно-следственных связей. В реальных эпидемиологических исследованиях исследователи собирают данные, закодированные в виде цепочек чисел. Затем аналитик данных выполняет различные вычисления с этими строками.На основе этих вычислений исследователи могут составить письменные или устные предложения о причинно-следственных связях. ¹⁷ Связь между этими строками чисел и результирующими предложениями требует формальной основы для перевода. Потенциальные результаты и связанная с ними структура обеспечивают необходимую формализацию. В настоящее время существует полное математическое исчисление для рассуждений о структуре потенциальных результатов, основанное на причинно-следственных диаграммах или направленных ациклических графах (DAG). ⁸ ^, ¹⁸ В некоторых случаях, например, в случае с эффектами изменяющегося во времени воздействия, адекватная методология, необходимая для оценки таких эффектов, вероятно, не может быть получена без формальностей, характерных для потенциальных результатов и связанных с ними основ предоставлять.¹⁴ ^, ^19–21 Аналогичным образом, некоторые вопросы о посредничестве и прямых и косвенных эффектах, для которых долгое время считалось, по крайней мере на практике, достаточно простого регрессионного подхода, оказались подвержены гораздо большему количеству вопросов. подводные камни, чем предполагалось ранее, понимание снова стало возможным благодаря потенциальным результатам и причинно-следственным диаграммам. ¹³ ^, ²² ^, ²³ Вышеупомянутое действительно является значительным прогрессом по сравнению с тем, что было доступно ранее, и, как я полагаю, лежит в основе нынешнего интереса к этим методам.Таким образом, хотя я согласен с Кригером и Дэйви Смитом в том, что «DAG и контрфактические подходы являются лишь одним набором концептуальных инструментов, которые могут использовать эпидемиологи, и не должны занимать привилегированное место при разграничении типов вопросов, которые мы задаем, или причин, которые мы теоретизируем», я также считают, что потенциальные результаты и связанные с ними подходы действительно занимают привилегированное положение при оценке причинно-следственных связей.

(3) Некоторый прогресс был достигнут в определении оценок причинно-следственных связей для условий, которые выходят за рамки традиционной структуры потенциальных результатов, но это остается сложной задачей

Когда мы перейдем к попыткам поговорить об оценках причинно-следственных связей для более сложных воздействий (т.е. те, которые не соответствуют гипотетическому вмешательству), такие как ожирение или холестерин, становится труднее точно сформулировать, что имеется в виду. Структура потенциальных результатов не так очевидно применима к таким композитным рискам. Если попытаться сформулировать влияние ожирения на смертность в рамках системы потенциальных результатов, станет ясно, что различные меры по снижению ожирения — диета, упражнения, хирургия — могут иметь различное влияние на смертность. ¹⁶ Таким образом, становится трудно говорить о как о оценке причинного эффекта и сравнивать ИМТ 30 против 25.Это не означает, что ожирение не является причиной, скорее, попытка дать оценку и точную интерпретацию является сложной задачей.

В некоторых исследованиях эти вопросы были рассмотрены путем расширения структуры потенциальных результатов и включения нескольких версий воздействия или вмешательства. ²⁴ ^, ²⁵ При различных допущениях оценку комбинированного воздействия, такого как ожирение, можно представить как средневзвешенное значение эффектов различных, более точных «вариантов воздействия», взвешенных по вероятность того, что каждая версия естественным образом возникнет в рамках фактически выявленной субпопуляции.²⁴ ^, ²⁵ Однако смысл такой интерпретации затруднен, когда лежащее в основе распределение «версий подверженности» неизвестно, как это часто бывает. Более того, отсутствие неизмеренных искажающих допущений, необходимых для этой интерпретации, трудно оценить, когда неизвестны различные лежащие в основе варианты лечения или воздействия. ²⁵ Таким образом, был достигнут некоторый прогресс в обеспечении более точной интерпретации оценок причинно-следственных связей таких комбинированных воздействий, но еще предстоит увидеть, насколько полезны такие интерпретации на практике.

Pearl ⁸ предложила, чтобы оценка причинного эффекта и комбинированного воздействия рассматривалась не как эффект гипотетического вмешательства, а как эффект, возникающий из лежащей в основе модели структурного уравнения. Проводится аналогия с законами природы, согласно которым воздействия, состояния Вселенной и лежащих в основе законов достаточно, чтобы определить результат или его распределение. Если бы экспозиция была другой, результат был бы таким же. В рамках DAG или причинных диаграмм модель структурных уравнений заменяет законы природы.Хотя такая интерпретация в принципе перспективна, ее использование на практике проблематично. Во-первых, в отличие от физических наук, социальных и биомедицинских наук, сложность изучаемых систем такова, что мы почти никогда не в состоянии сформулировать причинно-следственную диаграмму, которая адекватно отражала бы законы природы. Во-вторых, даже если бы мы могли, имея в виду составное воздействие, многие конструкции, которые мы используем в социальных и биомедицинских науках, недостаточно точны, чтобы быть частью основных законов природы.Если мы рассматриваем влияние на смертность изменения ИМТ с 30 до 25, фундаментальные основополагающие законы, приводящие к смерти, таковы, что не существует однозначного сопоставления ИМТ с базовыми переменными, имеющими отношение к законам природы. . ²⁶ В рамках предлагаемой интерпретации модели структурного уравнения подразумевается, что можно представить, что экспозиция различна, но все остальное в системе одинаково, и для многих наших составных экспозиций это невозможно.Это не означает, что причинно-следственные диаграммы здесь неактуальны — часто упрощенная диаграмма может помочь диагностировать предвзятость таким образом, чтобы можно было увидеть, что она также присутствует на любом более адекватном представлении реальности. Это также не означает, что мы не можем говорить о причинно-следственной связи — если каждое возможное сопоставление ИМТ с соответствующими базовыми переменными подразумевает, что изменение ИМТ с 30 до 25 привело к изменению смертности некоторых людей, мы могли бы говорить об ожирении как причиной. ¹³ Тем не менее, это затрудняет оценку причинно-следственных связей.Возможно, лучшее, что мы можем сделать в таких условиях, — это апеллировать к тому, что все еще является несколько расплывчатой интерпретацией теории, касающейся «нескольких вариантов лечения», как описано выше. Таким образом, хотя подход к концептуализации оценок причинно-следственных связей комбинированных воздействий с помощью базовой модели структурного уравнения является теоретически привлекательным, эта интерпретация, на самом деле, все еще трудна на практике. Я пока не видел убедительных эмпирических примеров.

Структура потенциальных результатов начинает достигать своих пределов с такими композитными рисками.Вместо этого он указывает исследователю на точные гипотетические вмешательства, которые не соответствуют сложности некоторых изучаемых воздействий. Ответы на эти трудности могут быть разными. Если политическое вмешательство или действие представляют интерес, то структура потенциальных результатов может быть полезна при продумывании диапазона вмешательств для изменения совокупного воздействия и того, какие из них могут лучше всего улучшить результаты. В качестве альтернативы можно попытаться применить более тонкую интерпретацию, как в предложениях выше.Или можно отказаться от любой попытки точной интерпретации количественной оценки и просто говорить об очевидности общей причинности, о том, что что-то является причиной. Можно, конечно, критиковать или жаловаться, как это делают Вандендруке и др., Что система потенциальных результатов неадекватно решает вопросы таких сложных воздействий, но это сводится к простой жалобе на то, что инструмент не отвечает на вопросы, для которых он был не предназначены или даже четко определены. Такие жалобы никоим образом не помогают дать точную интерпретацию последствий такого комбинированного облучения.Тот небольшой прогресс, который был достигнут по этим вопросам, на самом деле явился результатом расширения потенциальных результатов или структур причинно-следственных связей.

(4) Хотя политика должна основываться на многих соображениях, оценки на основе причинно-следственных связей с использованием потенциальных результатов играют центральную роль в выборе между политикой и вмешательствами на основе количественной оценки причинных эффектов. Однако есть важные вопросы, которые не поддаются рассмотрению в рамках системы потенциальных результатов

Возможно, более разумная и серьезная жалоба, предложенная как Vandenbroucke et al.и Krieger и Davey Smith, а также в недавней статье Schwartz et al. ²⁶, заключается в том, что сама структура потенциальных результатов ограничивает типы задаваемых вопросов. Как упоминалось выше, часть проблемы заключается просто в сложности изучаемых систем или воздействий. Кригер и Дэйви Смит ссылаются, например, на социальные движения, социальные тенденции, такие как увеличение числа замужних женщин, идущих на работу, и даже войны. С этими вопросами сложность изучаемых «воздействий» или «систем» еще больше усугубляет проблемы, описанные в предыдущем разделе.Структура потенциальных результатов просто больше не является подходящим инструментом. Нет единого вмешательства, которое соответствовало бы «движению за гражданские права». Необходимы другие способы исследования и оценки. Например, есть подполя истории, которые действительно пытаются ответить на эти вопросы. В сложных условиях, касающихся войн или социальных движений, даже если данные агрегированы, скажем, по множеству разных войн, точное значение контрфактических запросов очень неоднозначно, как обсуждалось во втором и третьем предложениях выше.Если эпидемиологи хотят и могут успешно ответить на вопросы, касающиеся отдельных исторических событий, это хорошо и хорошо, но для этого требуются совсем другие дисциплинарные инструменты и другие данные, чем обычно имели в своем распоряжении эпидемиологи. Это по-прежнему контрфактические вопросы, но совершенно иного характера, и на них часто труднее ответить.

Структура потенциальных результатов может быть полезна при более узких оценках политики и принятии решений. Когда рассматриваются различные действия, это может помочь сформулировать, что именно изучается, данные и предположения, необходимые для оценки последствий конкретных действий, и, таким образом, предоставить руководство по относительной величине этих эффектов и выбрать между действиями.

Вероятно, большая популярность подхода к потенциальным результатам в эпидемиологии произошла из-за точности, которую предлагает структура, и ее успеха в оценке многочисленных типов причинно-следственных вопросов, касающихся оценок воздействия. Однако, как предполагают Vandenbroucke et al. и Кригера и Дэйви Смита, этот успех вполне мог привести к смещению акцента в типах задаваемых вопросов. Возможно, тем вопросам, которые не поддаются анализу потенциальных результатов, уделяется меньше внимания.И снова, как отметили Кригер и Дэйви Смит, некоторые из этих вопросов имеют огромное социальное значение. Решение, как мне кажется, заключается не в атаке или карикатурном изображении структуры потенциальных результатов, а в обеспечении того, чтобы в рамках обучения и в опубликованной литературе обсуждались и другие примеры более широких вопросов, касающихся систем и движений. с примерами того, где оказались полезными другие типы рассуждений и доказательств. Вывод о причинно-следственных связях с использованием потенциальных результатов — это лишь небольшая часть курсов, предлагаемых на большинстве факультетов эпидемиологии или школах общественного здравоохранения.Этот другой материал можно и нужно изучать на других курсах, и это, конечно, уже происходит во многих учреждениях.

(5) Хотя полной характеристики причинно-следственной связи пока нет, существуют четко установленные достаточные условия для приписывания причинно-следственной связи, и структура потенциальных результатов обеспечивает один такой набор достаточных условий. Хотя открытые вопросы о причинно-следственных связях важны, их не следует использовать для затенения уже достигнутого прогресса

Как отмечают Vandenbroucke et al.и Кригером и Дэйви Смитом, в философской литературе продолжаются дискуссии о природе причинности с различными выдвинутыми концепциями. Полная характеристика того, что подразумевается под причинностью, пока недоступна. В частности, еще не существует полной характеристики (то есть набора необходимых и достаточных условий) для утверждения «X вызвало Y». ²⁸ ^, ²⁹ Хотя мы часто можем прийти к консенсусу в любом конкретном случае и, возможно, сделать это в соответствии с каким-то неопределенным набором правил, на сегодняшний день никто еще не смог точно сформулировать эти правила.Однако это не означает, что мы не можем иногда, даже часто, рассуждать о причинно-следственной связи. Хотя пока нет полной характеристики, есть достаточные условия, при которых мы можем приписать причинность. В частности, я считаю, что почти универсальный консенсус был бы в том, что если бы это было так, что конкретное событие X, наряду с текущим состоянием Вселенной и законами природы, повлекло за собой некоторое последующее событие Y, и если бы отсутствие события X , наряду с текущим состоянием Вселенной, и законы природы повлекли за собой отсутствие Y, и если бы X и Y действительно присутствовали, то почти все сказали бы: «X вызвал Y.«Это не единственные обстоятельства, при которых мы могли бы сказать« X вызвал Y », но они являются достаточными условиями для того, чтобы так сказать. Это тип отношений контрфактической зависимости. То, что такая контрфактическая зависимость не является необходимой для приписывания причинности, может быть прояснено так называемыми случаями сверхдетерминации ³⁰ ^, ³¹: если запас воды исследователя отравлен противником 1, а затем впоследствии опустошен противником 2 и исследователь уходит в пустыню и умирает от обезвоживания, мы бы обычно сказали, что высыпание воды привело к смерти исследователя, даже если исследователь все равно умер бы (от яда), если бы вода не была слита.

Структура потенциальных результатов эффективно рассматривает событие X в достаточных условиях, указанных выше, как своего рода гипотетическое вмешательство; если результат различается в зависимости от того, присутствует вмешательство или нет, то считается, что вмешательство повлияло на исход для этого человека. Таким образом, структура потенциальных результатов обеспечивает достаточное условие для установления причинно-следственной связи. Однако, как и все современные подходы, он не дает полной характеристики причинно-следственной связи.В отличие от Ванденбрука и др., Он не ограничивает причинно-следственные связи; он касается подмножества причинно-следственных вопросов, которые можно определить как противопоставление гипотетических вмешательств. Поэтому, хотя я категорически не согласен с Vandebroucke et al. Что касается разграничения, то я согласен как с ними, так и с Кригером и Дэйви Смитом в том, что в нашем размышлении о причинном рассуждении в настоящее время необходимо несколько точек зрения. Структура потенциальных результатов обеспечивает один важный подход, и опять же, как указано выше, по сути, единственный подход для количественного анализа оценок причинно-следственных связей.

(6) Объяснение — это гораздо более широкое понятие, чем причинное объяснение; научное рассуждение — гораздо более широкое понятие, чем причинный вывод. Вывод, чтобы быть лучшим объяснением, важен для причинно-следственного вывода, и можно и нужно использовать различные типы свидетельств. Часто, однако, наиболее убедительные доказательства причинно-следственных рассуждений прибывают из контрфактических сравнений

Я согласен с Vandenbroucke et al. и с Кригером и Дэйви Смитом, что следует рассматривать различные виды доказательств, и я согласен с ними в отношении важности временных тенденций, отрицательных контролей и использования различных типов дизайна исследований.Далее я согласен с Кригером и Дэйви Смитом в том, что вывод о наилучшем объяснении является важным подходом к научным рассуждениям, хотя часто до достижения консенсуса существует период, в течение которого ученые расходятся во мнениях относительно того, какое это лучшее объяснение. Я также согласен с тем, что научное открытие включает в себя множество шагов, которые не являются дедуктивными, что гипотезы часто генерируются на основе творческих догадок или моментов внезапного озарения, и что обдумывание нескольких уровней объяснения может помочь в достижении более полного понимания.Кажется, все это не вызывает особых споров.

Однако я считаю, что, когда дело доходит до рассуждений о причинах, часто наиболее убедительными доказательствами являются контрфактические контрасты. В текстовом поле 3 Кригера и Дэйви Смита каждый метод и дизайн исследования, предложенные для использования в «триангуляции и выводе наилучшего объяснения», были формализованы в рамках структуры потенциальных результатов ^32–37 и эффективно включают контрфактические контрасты. В текстовом поле 2 Кригера и Дэйви Смита, в их примере вывода лучшего объяснения, взятого из описания программы исследований Земмельвейса Питером Липтоном, окончательный последний шаг, подтверждающий трупную гипотезу Симелвейса, включал контрфактический контраст того, что произошло до и после того, как потребовались студенты-медики. мыть руки.³⁸ Само по себе создание гипотезы, конечно, включает в себя понимание, возникающее из множества отдельных доказательств, но подтверждение и, в конечном счете, самые убедительные доказательства были получены в результате контрфактического сравнения, и я считаю, что в большинстве случаев наиболее убедительные доказательства в причинно-следственных рассуждениях будут получены из контрфактических сравнений.

Именно такие сравнения пытаются формализовать структура потенциальных результатов и причинно-следственные диаграммы. В более широком контексте объяснения и научных выводов потенциальные результаты и причинно-следственные диаграммы — всего лишь инструменты.Они не отвечают на все вопросы. Согласно Кригеру и Дэйви Смиту, они определенно не рассматривают, какие меры использовать или как концептуализировать эти меры. Также, как в описании Кригера и Дэйви Смита, диаграммы не дают биологического объяснения, но они не предназначены для этого. Однако они иллюстрируют биологические объяснения, и, когда они используются в контексте парадокса веса при рождении, их сопровождают объяснения. Диаграммы причинно-следственных связей — важные инструменты для причинно-следственных рассуждений, но даже здесь они имеют свои пределы.Нет никаких сомнений в том, что группы DAG, например, могут зайти так далеко только в представлении взаимодействий или количественных отношений. Как отмечают Кригер и Дэйви Смит, они не дают количественной оценки величины систематических ошибок, но есть другие инструменты для этого в рамках структуры потенциальных результатов, такие как анализ чувствительности. ^39–41 Возможно, до сих пор ведутся споры о точном характере ограничений различных подходов (вопреки тому, что, кажется, предлагают Кригер и Дэйви Смит, например, группы DAG могут и использовались для представления обратной связи), но они действительно не затрагивать все вопросы или все формы причинно-следственных связей.

(7) Хотя утверждение, что раса является причиной здоровья и других результатов, может быть небезосновательным, по-прежнему трудно точно определить, что можно понимать под количественной оценкой причинно-следственных связей для расы. Основанная на противодействии методология определения того, насколько расовое неравенство может быть уменьшено с помощью потенциально осуществимых вмешательств, представляет собой важный подход к пониманию того, как лучше всего уменьшить неравенство

Vandenbroucke et al.а также Кригер и Дэйви Смит поднимают причинно-следственные вопросы, касающиеся расы. В своем текстовом блоке 4 Кригер и Дэйви Смит цитируют некоторые из моих работ в качестве примеров «контрфактических рассуждений о том, что« раса »не может быть причиной». Аналогичные утверждения сделаны одним из авторов Vandenbroucke et al. комментарий. ⁴² Вопреки тому, что они предлагают, я не делал таких заявлений.

Ошибка Кригера и Дэйви Смита ² и Бродбента ⁴² состоит в том, что они смешивают условия, при которых разумно говорить о чем-либо как о причине, с условиями, при которых разумно дать причинную интерпретацию числовому эффекту. оценка согласно первому предложению выше.Вопросы расы и расизма, несомненно, важны и требуют решения. Необходимо использовать различные подходы к размышлению над этими вопросами и политические меры по их решению. Однако когда дело доходит до числовой оценки причинно-следственных связей для расы, это становится более трудным. Именно эта задача рассмотрения того, при каких условиях можно дать точную причинную интерпретацию расы, или коэффициентов регрессии для расы, или аспектов расы и расизма, занимает часть литературы о потенциальных результатах по расе.^43–45 Большая часть этой работы заключает, что такие интерпретации в отношении расы, хотя, возможно, и не невозможны, являются трудными, согласно второму и третьему утверждениям выше. Однако утверждать, что такое исследование, таким образом, утверждает, что раса не является причиной, снова озадачивает, когда разумно говорить о чем-то как о причине и когда можно интерпретировать числовую оценку причинного эффекта. Можно сказать, что «раса является причиной» в том смысле, что, что бы ни подразумевалось под расой, или как бы кто-то ни определял или концептуализировал расу, это зачатие повлечет за собой также определенные особенности, такие как цвет кожи, и что они сами по себе воспринимаются другие и в результате дискриминации влияют на здоровье, доход и другие результаты.Таким образом, можно утверждать, что при любой разумной концептуализации расы и любой разумной концепции причинности раса удовлетворяет достаточным условиям для приписывания причинности — по сути, истинная ценность выражения «раса является причиной здоровья» одинакова независимо от того, как претензия интерпретируется или уточняется. Таким образом, подобные заявления, возможно, небезосновательны. Однако я думаю, что более полезный подход — это попытаться более точно указать претензию или претензии, которые могут фактически иметь место.Интересно отметить, что Кригер и Дэйви Смит сами прямо не утверждают, что раса является причиной, и не отрицают ее, а, скорее, заявляют, что «соответствующие предположения относятся к расизму, а не к« расе »». Я думаю, что это действительно легче. концептуализировать оценки причинно-следственных связей для различных аспектов расизма, и на самом деле некоторые из потенциальных результатов работы по этой теме сделали именно это. ⁴³

В некоторых из моих работ ⁴⁵ ^, ⁴⁶ я также писал о методологии, согласно которой коэффициенты расы в регрессионных моделях с ковариатами (например, условия детства) или потенциально опосредованными переменными (например, в средней школе достижение) можно интерпретировать как то, насколько расовое неравенство может быть уменьшено и какая часть его останется при гипотетических вмешательствах для выравнивания распределений ковариат (например,грамм. социально-экономические условия детства) или потенциально опосредующие переменные (например, успеваемость) по расовым группам. Я утверждал, что такой анализ и интерпретация, возможно, могут быть полезны для определения того, какие виды вмешательств будут наиболее эффективными для уменьшения неравенства. ⁴⁵ ^, ⁴⁶ Методология , а не каким-то образом косвенно предполагает, что раса не является причиной; Использование методологии , а не не подразумевает, что мы должны игнорировать более широкие социальные факторы, социальные движения и расовую дискриминацию.Скорее, в соответствии с мышлением о потенциальных результатах, методология фокусируется на ряде вопросов, касающихся вмешательств, которые могут уменьшить расовое неравенство. Я бы сказал, что такая методология полезна не только для документирования и понимания, но и для устранения и уменьшения расового неравенства. Кригер, по-видимому, счел эту методологию достаточно полезной, по крайней мере, для того, чтобы быть готовым участвовать в исследовании, в котором она использовалась для изучения расового неравенства в выживаемости при колоректальном раке.⁴⁷ Вопросы, касающиеся расы и расизма, безусловно, следует решать с помощью инструментов, отличных от схемы потенциальных результатов, но даже здесь я бы сказал, что эта структура имеет ценность для ряда важных для политики вопросов.

Заключительные замечания

В этом комментарии я попытался более точно изложить мои собственные взгляды на вопросы причинно-следственной связи, причинно-следственных связей и потенциальных результатов и связать их с тем, что было выражено в статьях Vandenbroucke et al.и Кригер и Дэйви Смит. Я провел ряд различий и выдвинул ряд предположений, которые, на мой взгляд, полезны при рассуждении о причинно-следственной связи и причинных следствиях. Проведение различий и точность терминологии важны для науки. Однако для прогресса науки также важна правильная атрибуция взглядов. Кригер и Дэйви Смит цитируют некоторые из моих работ в качестве примеров в своем текстовом блоке 4 «контрфактических рассуждений о том, что« раса »не может быть причиной». Я не делал таких заявлений.Я не придерживаюсь этого мнения. Vandenbroucke et al. утверждают, что подход потенциальных результатов «приравнивает причинные утверждения к точным предсказаниям относительно заявлений, противоречащих фактам» и что он «отрицает значимость … причинных утверждений, которые не всегда приводят к предсказаниям», и цитирую мою работу как представителя этой точки зрения. Это опять же просто , а не просмотров, которых я придерживаюсь. Выбранные цитаты тщательно отобранны и вырваны из контекста, и тем не менее они не приводят к утверждениям Vandenbroucke et al., и в других местах Broadbent ⁴², make. Этих ошибок можно было бы избежать при более тщательном различении и более близком чтении. Тщательное причинное рассуждение и тщательные различия важны для науки, так же как и правильная атрибуция.

Финансирование

Это исследование финансировалось грантом NIH США R01 ES017876.

Благодарности

Я хотел бы поблагодарить Джейми Робинса за полезные обсуждения. Первоначально мы писали вместе, но из-за преобладания моментов, которые мы хотели сделать, и желаемых различий в акцентах, мы написали два разных комментария; но каждый в долгу перед другом.

Список литературы

Vandenbroucke

Broadbent

Pearce

Причинно-следственная связь в эпидемиологии: необходимость плюралистического подхода

Int J Epidemiol

2016

;

1776

—

Кригер

Дэви Смит

Сказка, разошедшаяся DAG: расширение области причинно-следственных связей и объяснение эпидемиологии

Int J Epidemiol

2016

;

1787

—

808

VanderWeele

ТДж

Hernán

Tchetgen Tchetgen

Robins

JM.

Re: Причинно-следственная связь в эпидемиологии: необходимость плюралистического подхода

Int J Epidemiol

2016

;

2199

—

200

Эрнан

. Вода убивает? Причинные выводы привязаны к целевым испытаниям или как сделать менее случайные причинные выводы. Анналы эпидемиологии, в печати.

Шварц

Campbell

Gatto

BM.

Причинно-следственная идентификация: возвращение заброшенного обвинения в эпидемиологии. Анналы эпидемиологии, в печати.

Рубин

ДБ.

Комментарий к: «Рандомизационный анализ экспериментальных данных в тесте рандомизации Фишера» Д. Басу

J Am Stat Assoc

1980

;

591

—

Робинс

Гренландия

Вероятность причинной связи в стохастической модели для индивидуального риска

Biometrics

1989

;

1125

—

жемчуг

Дж.

Причинно-следственная связь: модели, рассуждения и выводы

Кембридж

Cambridge University Press

2009

Давид

AP.

Причинно-следственный вывод с использованием диаграмм влияния: проблема частичного соответствия (с обсуждением). В

Highly Structured Stochastic Systems

, под редакцией

Peter J

Green

Nils L

Hjort

Sylvia

Richardson

Oxford University Press

—

2003

.10

Спиртес

-П

Glymour

Scheines

Причинность, прогнозирование и поиск

MIT Press

, г.

Кембридж, Массачусетс

2000

.11

Льюис

Контрольные факты

Издательство Гарвардского университета

Кембридж

1973

.12

Робинс

Гренландия

Комментарий к «Причинно-следственный вывод без контрфактов».

Журнал Американской статистической ассоциации

2000

;

477

—

482

.13

VanderWeele

ТДж.

Объяснение причинного вывода: методы посредничества и взаимодействия

Нью-Йорк

Oxford University Press

2015

,14

Эрнан

MA,

Робинс

.Причинный вывод. Chapman Hall, готовится к печати.

VanderWeele

ТДж

Относительно предположения о непротиворечивости причинно-следственного вывода

Эпидемиология

2009

;

880

—

883

,16

Эрнан

Таубман

SL.

Укорачивает ли ожирение жизнь? Важность четко определенных вмешательств для ответа на причинно-следственные вопросы

Международный журнал ожирения

2008

;

—

S14

,17

Робинс

Дополнение к новому подходу к причинно-следственным выводам в исследованиях смертности с периодами устойчивого воздействия — Применение для контроля эффекта выживания здоровых рабочих

Вычислительная математика

1987

;

923

—

,18

Ричардсон

ТС.

Робинс

JM.

Графики вмешательства в единый мир (SWIG): объединение контрфактического и графического подходов к причинно-следственной связи. Рабочий документ № 128, Центр статистики и социальных наук, Вашингтонский университет,

2013

.19

Робинс

JM.

Новый подход к причинно-следственным выводам в исследованиях смертности с длительным периодом воздействия — применение для контроля эффекта выживания здорового рабочего

Математическая модель

1986

;

1393

—

512

,20

Робинс

Hernán

Brumback

Маргинальные структурные модели и причинно-следственные связи в эпидемиологии

Эпидемиология

2000

;

550

—

560

,21

Робинс

Hernán

MA.

In:

Оценка причинных эффектов изменяющихся во времени воздействий

Fitzmaurice

Davidian

Verbeke

Molenberghs

, ред.

Нью-Йорк: Чепмен и Холл

Пресс CRC

2009

.22

Робинс

Гренландия

Идентифицируемость и возможность обмена для прямого и косвенного воздействия

Эпидемиология

1992

;

143

—

155

,23

жемчуг

Дж

.Прямые и косвенные эффекты. В:

Труды семнадцатой конференции по неопределенности и искусственному интеллекту

Сан-Франциско

Морган Кауфманн

2001

411

—

420

,24

Эрнан

VanderWeele

Комплексные методы лечения и переносимость причинно-следственных связей

Эпидемиология

2011

;

368

—

377

,25

VanderWeele

ТДж.

Hernán

MA.

Причинно-следственный вывод при нескольких вариантах лечения

Журнал причинно-следственных связей

2013

;

—

,26

VanderWeele

ТДж

Hernán

.Случайные эффекты и естественные законы: к концептуализации причинных противоречий для неманипулятивных воздействий с применением к эффектам расы и пола. В:

Berzuini

Dawid

Bernardinelli

(ред.):

Причинно-следственная связь: статистические перспективы и приложения

Вайли

. Глава 9, с.

101

—

113

2012

,28

Vander Weele

ТДж

Критерии характеристики причинной связи токена

Логика и философия науки

2009

;

115

—

127

,29

Глимур

Danks

Glymour

Eberhardt

Ramsey

Scheines

Pirtes

000

Spirtes

9000

Spirtes

9000 ,

Чжан

Дж.

Фактическая причинность: эссе о каменном супе

Синтезы

2010

;

175

169

—

192

,30

Коллинз

Дж

Hall

Paul

LA.

Причинно-следственные и контрфактические факторы

Кембридж, Массачусетс

MIT Press

.31

Зал

Н.

Пол

. Причинно-следственная связь и упреждение. В

Clark

Hawley

(ред.),

Философия науки сегодня

Оксфорд

Oxford University Press

2003

, стр.

100

—

129

.32

Абадие

А.

Полупараметрические оценщики разности разностей

Обзор экономических исследований

2005

;

—

.33

Этей

Imbens

GW.

Идентификация и логический вывод в нелинейных моделях разности разностей

Econometrica

2006

;

431

—

497

,34

Диделез

Sheehan

NA.

Менделирующая рандомизация как метод инструментальных переменных для определения причинной связи

Статистические методы в медицинских исследованиях

2007

;

309

—

330

.35

Sjölander

Frisell

Öberg

Причинная интерпретация меж-внутренних моделей для исследования близнецов

Эпидемиологические методы

;

2012

;

, стр.

216

—

237

,36

Tchetgen Tchetgen

Подход к калибровке контрольных результатов для причинного вывода с ненаблюдаемым искажением

Am J Epidemiol

2014

1 марта;

179

(

633

—

.37

Софер

Richardson

Colincino

Schwart

Tchetgen Tchetgen

.О простых отношениях между различиями в различиях и контролем отрицательного результата ненаблюдаемого искажения (август 2015 г.). Серия рабочих документов Гарвардского университета по биостатистике. Рабочий документ 194. http://biostats.bepress.com/harvardbiostat/paper194

Lipton

-П

Вывод наилучшего объяснения

. 2-е изд.

Лондон

Рутледж

2004

.39

Робинс

Scharfstein

Rotnitzky

. Анализ чувствительности для систематической ошибки отбора и неизмеренного искажения недостающих данных и моделей причинного вывода. В:

Статистические модели для эпидемиологии, окружающей среды и клинических испытаний

Halloran

Berry

(ред.),

—

Нью-Йорк

Springer-Verlag

2000

.40

Ротман

кДж.

Гренландия

Lash

Современная эпидемиология

, 3-е издание.

Lippincott Williams & Wilkins

2008

.41

Дин

-П

VanderWeele

Анализ чувствительности без допущений

Эпидемиология

2016

;

368

—

377

.42

Бродбент

А.

Причинно-следственная связь и прогнозирование в эпидемиологии: руководство к «методологической революции».

Исследования по истории и философии биологических и биомедицинских наук

2015

;

—

.43

Грейнер

Дж

Рубин

Причинные последствия воспринимаемых неизменяемых характеристик

Rev Ec Stat

2011

;

775

—

785

.44

Сен

Wasow

Гонка как «связка палочек»: конструкции, оценивающие влияние кажущихся неизменными характеристик

Annual Rev Polit Sci

2016

(в печати) 45

VanderWeele

ТДж

Робинсон

О причинной интерпретации расы в регрессиях с поправкой на смешивающие и опосредующие переменные

Epidemiol

2014

;

: 473-454.46

VanderWeele

ТДж

Робинсон

WR.

(

2014

Как уменьшить расовое неравенство? На что вмешиваться?

Эпидемиология

491

—

493

.47

Валерий

Chen

Garcia-Albeniz

Krieger

VanderWeele

Coull

BA.

Роль стадии в диагностике колоректального рака расовых / этнических различий в выживаемости: подход, основанный на контрфактических причинных выводах

Эпидемиология, биомаркеры и профилактика рака

2016

;

—

Введение в причинный вывод

Вы попали на страницу онлайн-курса причинно-следственного логического вывода.Хотя текст курса написан с точки зрения машинного обучения, этот курс предназначен для всех, у кого есть необходимые предпосылки, кто заинтересован в изучении основ причинно-следственной связи. Я делаю все возможное, чтобы объединить идеи из множества различных областей, в которых используется причинный вывод, таких как эпидемиология, экономика, политология, машинное обучение и т. Д. Вы можете увидеть предварительное расписание курсов ниже.

Вы можете присоединиться к рабочему пространству Slack курса, где вы можете легко начать обсуждения с другими людьми, которым интересен причинный вывод.Информацию о часах работы см. В разделе «Часы работы» ниже. Если вы заинтересованы в проведении обсуждения в группе чтения, ознакомьтесь с предложенными документами для группы чтения, чтобы увидеть, пробуждает ли один из них ваш интерес. Отправляя мне электронное письмо об этом курсе, пожалуйста, включите «[Причинный курс]» в начало темы электронного письма, чтобы убедиться, что я вижу ваше электронное письмо. Если вы хотите получать обновления курса, подпишитесь на список рассылки курса. Основным учебником, который мы будем использовать в этом курсе, является Introduction to Causal Inference (ICI), это черновик книги, который я буду постоянно обновлять на протяжении всего курса.

Расписание курсов (предварительное)

Примечание о слайдах: в настоящее время они не работают с Adobe Acrobat, хотя, похоже, они работают с другими программами просмотра PDF.

неделя	Темы	Лекция	Чтений	Документ для групп чтения
31 августа	Мотивация Предварительный просмотр курса Информация о курсе	Видео Слайды Информация	Глава 1 ICI	Нет
7 сентября	Возможные результаты Полный пример с оценкой	Видео Слайды	Глава 2 ICI	Укорачивает ли ожирение жизнь? Важность четко определенных вмешательств для ответа на причинно-следственные связи (Hernán & Taubman, 2008)
14 сентября	Графические модели	Видео Слайды	Глава 3 ICI	Укорачивает ли ожирение жизнь? Или это газировка? О неуправляемых причинах (Жемчуг, 2018)
21 сентября	Корректировка бэкдора Структурно-причинные модели	Видео Слайды	Глава 4 ICI	Графики интервенций единого мира: учебник (Richardson & Robins, 2013)
28 сентября	Рандомизированные эксперименты Корректировка входной двери do -calculus Идентификация на основе графа	Видео Слайды	Главы 5-6 ICI	Об иерархии Перла и основаниях причинного вывода (Bareinboim et al., 2020)
5 октября	Оценка Susan Athey Guest Talk — Оценка неоднородных лечебных эффектов (8 октября, 15–16 часов по восточному поясному времени)	Видео Слайды Гостевая беседа	Глава 7 ICI	Адаптация нейронных сетей для оценки эффектов лечения (Shi, Blei, Veitch, 2019)
12 октября	Ненаблюдаемое искажение, границы и анализ чувствительности	Видео Слайды	Глава 8 ICI	Анализ чувствительности и чувствительности: простой постфактуальный анализ смещения из-за ненаблюдаемого искажения (Veitch & Zaveri, 2020)
19 октября	Инструментальные переменные	Видео Слайды	Глава 9 ICI	Deep IV: гибкий подход к контрфактическому прогнозированию (Hartford et al., 2017)
26 октября	Различия в различиях Гостевая беседа Альберто Абади — Synthetic Control (29 октября, 10–11 утра по восточному поясному времени)	Видео Слайды Гостевая беседа	Глава 10 ICI	Модели разрывов регрессии в экономике (Lee & Lemieux, 2010)
2 ноября	— Перерыв в неделю — без лекций —	Нет	Прошлые чтения	Нет
9 ноября	Обнаружение причин на основе данных наблюдений Гостевая беседа Джонаса Питерса (13 ноября, 10:00 EST)	Видео Слайды	Глава 11 ICI	Вывод причинно-следственной связи из временных рядов в науках о земных системах (Runge et al., 2019)
16 ноября	Обнаружение причин в результате вмешательств	Видео Слайды	Глава 12 ICI (скоро)	Основанные на перестановках алгоритмы причинного вывода с вмешательствами (Wang et al., 2017)
23 ноября	Трансферное обучение Транспортировка	Видео Слайды	Глава 13 ICI (скоро)	Причинно-следственная структура для обобщения распределения (Christiansen et al., 2020)
30 ноября	Yoshua Bengio Guest Talk — Обучение каузальным представлениям (1 декабря, 13–14: 30 EST)	Guest Talk Слайды	Нет	Минимизация инвариантного риска (Arjovsky et al., 2019)
7 декабря	Контрольные факты Посредничество	Видео Слайды	Глава 14 ICI (скоро)	Идентификация эффектов, специфичных для пути (Авин, Шпицер и Перл, 2005)

Список рассылки курса

Подпишитесь на список рассылки курса, чтобы получать новости о курсе:

Учебник курса

Черновик первых 10 глав (постоянно обновляемых новыми главами на протяжении всего курса):

Это книга , черновик , поэтому я очень признателен за любые отзывы, которые вы готовы прислать мне.Если вы не уверены, приму я это или нет, не верьте. Пожалуйста, присылайте мне любые отзывы, используя опцию «Забронировать» в форме обратной связи. Обратная связь может быть на уровне слов, предложений, разделов, глав и т. Д. Вот неполный список полезных отзывов:

Опечатка.
Какая-то часть сбивает с толку.
Вы замечаете, что ваш разум начинает удивляться, или вы не чувствуете мотивации читать какую-то часть.
Какая-то часть кажется, что ее можно разрезать.
Вы твердо убеждены, что резать какую-то часть категорически нельзя.
Некоторые части плохо соединены.
Переходя от одной части к другой, вы замечаете, что нет естественного потока.
Новое упражнение по активному чтению, которое вы придумали.

Предварительные требования

Есть одно главное условие: базовая вероятность. Этот курс предполагает, что вы прошли вводный курс по теории вероятностей на уровне бакалавриата или имеете аналогичный опыт.Время от времени в курсе будут появляться темы из статистики и машинного обучения, поэтому некоторое знакомство с ними будет полезно, но не обязательно. Например, если перекрестная проверка является для вас новой концепцией, вы можете изучить ее относительно быстро в тот момент, когда она появится. А в разделе 2.4 книги мы даем учебник по некоторой статистической терминологии, которую мы будем использовать.

Часто задаваемые вопросы

Q: Где мне задать вопросы о данной лекции?
A: Используйте выбранный комментарий YouTube под соответствующим видео.Проверяю раз в день в будние дни.

Q: Это зачетный курс?
A: №

Q: Этот курс бесплатный?
A: Да!

Q: Сколько времени курс?
A: Только гостевые беседы будут иметь определенное время (указано в расписании). Обычные видео лекций не транслируются в прямом эфире и обычно загружаются на YouTube по понедельникам.

Q: Я не получаю электронные письма о курсах.
A: Напишите мне, указав «[Причинный ход]» в начале темы письма, и я исправлю это.

Обратная связь

Если у вас есть какие-либо отзывы о курсе, я приветствую их! Отправьте, пожалуйста, сюда. Вы можете указать свое имя или не указывать свое имя. Либо работает.

Потенциальные статьи группы для чтения по неделям

У нас будет небольшая еженедельная группа чтения, которая будет работать параллельно с курсом. Перед каждой недельной встречей группы чтения 1–3 человека подробно прочитают недельный доклад и уже подумают над темами для обсуждения. Эти 1-3 человека затем проведут обсуждение с небольшим количеством людей, которые все ознакомились с бумагой.Дискуссионная группа будет небольшой (не более 15), чтобы обеспечить качественное обсуждение. Вы можете гарантировать себе место в группе обсуждения каждую неделю, которую хотите, подписавшись на роль лидера обсуждения хотя бы на одну неделю. Ниже я привожу список статей для потенциальных групп чтения, организованный по неделям / темам, как и в расписании курса. Вы можете написать мне по адресу [email protected], чтобы сообщить, что вы хотите провести обсуждение на определенной неделе, какие документы вы рассматриваете, или обсудить другие документы, которые вы хотели бы обсудить, но не в списке.

Мотивация и предварительный просмотр — нет группы чтения
возможных результатов
Графические модели и SCM
рандомизированных экспериментов, корректировка входной двери и do -calculus
Оценка и условно-усредненные эффекты лечения
- Оценка индивидуального эффекта лечения: границы и алгоритмы обобщения (Shalit, Johansson, & Sontag, 2017)
- Адаптация нейронных сетей для оценки эффектов лечения (Shi, Blei, Veitch, 2019)
- Обобщенные случайные леса (Athey, Tibshirani, Wager, 2019)
- Метаобучающиеся для оценки эффектов гетерогенного лечения с использованием машинного обучения (Künzel et al., 2017) (предостережение: не о метаобучении в смысле машинного обучения)
Анализ чувствительности
Инструментальные переменные, прерывность регрессии, разница в различиях и синтетический контроль
ПЕРЕРЫВ
Причинное открытие без экспериментов
- Do-исчисление, когда истинный график неизвестен (Hyttinen, Eberhardt, Jarvisalo, 2015)
- Обзор методов обнаружения причин, основанных на графических моделях (Glymour, Zhang, & Spirtes, 2019)
- Причинный вывод с использованием инвариантного предсказания: идентификация и доверительные интервалы (Peters, Bühlmann & Meinshausen, 2016)
- Нелинейное обнаружение причинно-следственных связей с помощью моделей аддитивного шума (Hoyer et al., 2008)
- Обнаружение причин на основе гетерогенных / нестационарных данных с независимыми изменениями (Хуанг и др., 2020)
Обнаружение причин с помощью экспериментов
- Выбор эксперимента для обнаружения причин (Hyttinen, Eberhardt, Hoyer, 2013)
- Характеристика и жадное изучение классов интервенционной марковской эквивалентности направленных ациклических графов (Hauser & Bühlmann, 2012)
- Характеристики и изучение классов эквивалентности причинных групп DAG при вмешательствах (Ян, Каткофф и Улер, 2018)
- Объединенный причинно-следственный вывод из нескольких контекстов (Mooij, Magliacane, & Claassen, 2020)
Транспортировка и трансферное обучение
- Внешняя валидность: от расчетов до переносимости между популяциями (Pearl & Bareinboim, 2014)
- Причинно-следственная структура для обобщения распределения (Christiansen et al., 2020)
- Причинный вывод и проблема слияния данных (Bareinboim & Pearl, 2016)
- О причинном и антикаузальном обучении (Schölkopf et al., 2012)
- Адаптация домена в условиях целевого и условного сдвига (Zhang et al., 2013)
- Адаптация домена с несколькими источниками: причинно-следственная связь (Zhang, Gong, & Schölkopf., 2015)
- Инвариантные модели причинно-следственного обучения (Рохас-Карулла и др., 2016)
- Адаптация домена как проблема вывода на графических моделях (Zhang et al., 2020)
- Адаптация домена с помощью причинно-следственного вывода для прогнозирования инвариантных условных распределений (Magliacane et al., 2018)
Противодействие, посредничество и эффекты, специфичные для пути
TBD — Неделя переполнения
Обучение каузальному представлению

Случайное против причинно-следственного

Обычный —

· не относиться к чему-либо очень серьезно. Пример — он очень небрежно относится к работе.

· Что-то непостоянное — например, отношения — «мы находимся в случайных отношениях».

· Свободно или неформально — например, в пятницу в офис можно надеть повседневную обувь.

Еще несколько примеров —

· Это было случайное замечание. Не думай об этом.

· Нехорошо сдавать экзамены случайно. Вам нужно быть более сосредоточенным.

· Интервьюеры старались быть максимально непринужденными и дружелюбными.

Причина и причина —

Причина является причиной или источником чего-либо. Например, причиной загрязнения воздуха являются выбросы транспортных средств.

Причина — прилагательная форма причины (существительное), что означает нечто, действующее как причина. Например, причинными факторами загрязнения воздуха являются промышленный дым, выбросы от транспортных средств и вырубка лесов.

Итак, мы можем сказать, что причинность — это то, что исходит из причины и указывает на некую связь (между причиной и следствием).Это означает то же самое, что и «потому что» или «поэтому».

Еще примеры —

· Существует причинно-следственная связь между воспитанием детей и поведением ребенка.

· Мы наблюдали причинное развитие фактов на собрании. Одно вело к другому и так далее.

Причинно-следственные связи —

Они устанавливают связь между причиной и следствием. Пример —

· Этот ребенок привязан к телефону , потому что его родители всегда разговаривают по телефону.

· Встреча прошла плодотворно, так как было принято много положительных решений.

Некоторые популярные термины, в которых используется это слово: причинный анализ, причинный аргумент, причинная цепочка и так далее.

Причинно-следственная связь —

Это абстрактный принцип, что у всего происходящего есть причина (причина). Пример: вы испытываете ненужный стресс. Между двумя событиями нет причинно-следственной связи .

Несчастный случай —

Несчастным считается человек, погибший в результате несчастного случая или войны. Например,

· Наша армия понесла многочисленные потери из-за войны.

· Пострадавший на месте землетрясения.

Сообщите нам, понравилась ли вам статья через ваши комментарии. Надеемся, вы сегодня выучили и поняли несколько новых слов!

Что такое причинный фактор?

17 сентября 2020 г. | Марк Паради

Термин «причинный фактор» пришел из Центра разработки системной безопасности в Айдахо-Фолс, штат Айдахо.Это было частью инструмента расследования под названием «Диаграмма событий и причинных факторов». Мы получили разрешение на использование этого инструмента и исходной документации в 1988 году как часть исходной версии TapRooT®. Но со временем мы упростили и модифицировали инструмент и в конечном итоге переименовали его в SnapCharT®. Когда мы это сделали, мы решили, что нам нужно определить «Причинный фактор». Наше определение:

Причинный фактор:
Ошибка, ошибка или сбой, которые непосредственно приводят к
(или вызывают) Инцидент (кружок на SnapCharT®) или
не может смягчить последствия исходной ошибки.

Как найти причинный фактор

Наше определение причинного фактора сослужило нам хорошую службу, но с годами мы научили нескольким различным методам определения причинных факторов. Эти методы включают:

Прямое наблюдение
Метод «ну и что?»
Защитный анализ
Метод трех вопросов

Но в 2020 году мы начнем обучать новому методу поиска причинных факторов. Что это? Набор вопросов, которые нужно задать в зависимости от типа инцидента, который вы расследуете.

Рабочие листы по причинным факторам

Какие типы вопросов (рабочих листов) мы разработали?

Один для инцидентов, связанных с отказом оборудования
Один для инцидентов, связанных с безопасностью пациентов
Один для инцидентов, связанных с качеством
Один для инцидентов, связанных с безопасностью

Если у вас есть инцидент, который не соответствует ни одному из по этим категориям вы можете:

Вернуться к методу трех вопросов
Используйте контрольный лист или листы, которые наиболее точно соответствуют вашему инциденту.
Разработайте индивидуальный контрольный лист на основе других листов и метода трех вопросов.

Но мы обнаружили, что рабочие листы причинных факторов очень эффективны для определения причинных факторов как для новых пользователей TapRooT®, так и для опытных исследователей TapRooT®.

Рабочий лист причинных факторов безопасности

Как выглядит рабочий лист причинных факторов? Вот черновик рабочего листа причинных факторов безопасности:

Узнать больше о рабочих листах причинных факторов

Хотите узнать больше об этих рабочих листах причинных факторов? У вас есть два варианта.

Во-первых, вы можете зарегистрироваться для участия в вебинаре по рабочим таблицам причинных факторов. Смотрите запланированные даты по ЭТОЙ ССЫЛКЕ. Стоимость 90-минутного вебинара 195 долларов.

Во-вторых, вы можете посетить:

2-дневный тренинг по анализу первопричин TapRooT®, или 5-дневный тренинг для руководителей группы анализа первопричин TapRooT®
или двухдневное оборудование Equifactor®
Курс устранения неполадок и анализа первопричин TapRooT®.

Причинно следственной: Причинно-следственная связь — Психологос

Причинно-следственная связь — Психологос

Корреляция или причинно-следственная связь

МОДУЛЬ 4 – Установление причинно-следственной связи ПППИ

Взыскание убытков и доказывание причинно-следственной связи

Ключевой вывод по делу № 69-6/2020/8/100А/1154К

Фактические обстоятельства

Выводы суда

Комментарии REVERA

Причинно-следственная связь в гражданском праве

Понятие причинно-следственной связи при возмещении убытков

Как доказать наличие или отсутствие причинно-следственной связи

Причинно-следственная связь в деликтных обязательствах

Судебная практика по вопросам, связанным с установлением причинно-следственной связи

Сосудистый доступ и выживаемость пациентов на гемодиализе: особенности причинно-следственной связи | Зулькарнаев

Причинно-следственная диаграмма

Понятие о причинно-следственных связях. Методы установления причинно-следственных связей

Объявляем о нашем начальном раунде на сумму 4,2 миллиона долларов, возглавляемом Accel

1. Трудно построить, сложнее поддерживать

2. Отключено от вашего стека

3. Анти-совместная работа

Формулы, разработанные для людей

Подключено к остальной части вашего стека

Настоящая совместная работа

O

Финансовое планирование

Другие варианты использования

Наши инвесторы

Будущее

Награда за причинно-следственную связь в статистике образования

Победитель на 2020 год не выбран.

О премии

Критерии отбора

Обязанности получателя награды

Номинации

Вопросы

uber / causalml: моделирование роста и причинно-следственный вывод с помощью алгоритмов машинного обучения

Установить с использованием

Установите

Установить с помощью патрубка

Установите

Установить из исходников:

Оценка среднего эффекта лечения с учащимися S, T, X и R

Интерпретируемая причинно-следственная связь ML

Важность функций мета-обучающихся

Визуализация дерева подъема

Документация

Цитата

Документы

Связанные проекты

Комментарий: о причинах, причинно-следственных связях и возможных последствиях | Международный эпидемиологический журнал

Заключительные замечания

Финансирование

Благодарности

Список литературы

Введение в причинный вывод

Расписание курсов (предварительное)

Список рассылки курса

Учебник курса

Предварительные требования

Часто задаваемые вопросы

Обратная связь

Потенциальные статьи группы для чтения по неделям

Случайное против причинно-следственного

Что такое причинный фактор?

Как найти причинный фактор

Рабочие листы по причинным факторам

Рабочий лист причинных факторов безопасности

Узнать больше о рабочих листах причинных факторов

About the Author

admin

Добавить комментарий Отменить ответ

Рубрики

Related Posts