因果推断
因果推断相关知识
Grin*
https://pengxin-guo.github.io
展开
-
因果推断----中介公式
中介公式假如变量之间没有混杂,M是处理X和结果Y之间的中介物,则自然间接效应为:NIE=∑m[P(M=m∣X=1)−P(M=m∣X=0)]×P(Y=1∣X=0,M=m)\text{NIE} = \sum_m[P(M=m|X=1) - P(M=m|X=0)] \times P(Y=1|X=0, M=m)NIE=m∑[P(M=m∣X=1)−P(M=m∣X=0)]×P(Y=1∣X=0,M=m)中括号内的表达式代表X对M的影响,乘号后的表达式代表M对Y的影响(当X=0时)。...原创 2021-02-14 19:33:19 · 874 阅读 · 0 评论 -
因果推断----必要因和充分因
必要因(或“若非因”)和充分因必要因:已知张三堵住消防通道(X=1),并且李四死了(Y=1),假如X为0,那么李四还活着(Y=0)的概率是多少?必要性概率PNPNPN为P(YX=0=0∣X=1,Y=1)P(Y_{X=0}=0|X=1, Y=1)P(YX=0=0∣X=1,Y=1)充分因:被告向受害者开了一枪,但没有击中。在受害者逃离现场的过程中,他碰巧被一架坠落的钢琴砸死了。如果X=0X=0X=0且Y=0Y=0Y=0,即被告没有向受害者开枪,且受害者没有跑到钢琴下。然后我们要问的是,在这种原创 2021-02-10 20:48:55 · 834 阅读 · 0 评论 -
因果推断----do演算
do演算”合法“的do表达式变换:规则1:如果我们观察到变量W与Y无关(其前提可能是以其他变量Z为条件),那么Y的概率分布就不会随W而改变。即P(Y∣do(X),Z,W)=P(Y∣do(X),Z)P(Y|do(X), Z, W) = P(Y|do(X), Z)P(Y∣do(X),Z,W)=P(Y∣do(X),Z)上述等式成立的条件是,在我们删除了指向X的所有箭头后,变量集Z会阻断所有从W到Y的路径。在“火灾→烟雾→警报”的例子中,W=火灾,Z=烟雾,Y=警报,Z阻断了所有从W到Y的路径(此原创 2021-02-08 10:32:51 · 1787 阅读 · 0 评论 -
因果推断----悖论
悖论任何声称能够解决悖论(特别是那些经过几十年仍未得到解决的悖论)的方法都应该符合一些基本标准。第一,它应该能够解释为什么悖论会令人困惑或让人拒绝相信。第二,它应该能够确定悖论可能出现的场景类别。第三,它应该能够告诉我们,在哪些情况下悖论不可能发生(如果确实存在这种情况的话)。第四,当悖论真的发生,而我们必须在两个看似合理但矛盾的陈述中做出选择时,它应该能够告诉我们哪个说法是正确的。...原创 2021-02-03 19:59:46 · 314 阅读 · 0 评论 -
因果推断----去混杂
去混杂混杂可以简单地定义为导致P(Y|X)≠P(Y|do(X)),即两个概率出现差异的所有因素。为了去除X和Y中的混杂,我们只需要阻断它们之间的每个非因果路径,而不去阻断或干扰所有的因果路径就可以了。更确切地说,我们将后门路径(back-door path)定义为所有X和Y之间以指向X的箭头为开始的路径;如果我们阻断了所有的后门路径(因为这些路径允许X和Y之间的伪相关信息在管道中流通),则我们就完成了对X和Y的去混杂。如果我们试图通过控制某一组变量Z来实现这一点,那么我们还需要确保Z的任何成员都不是X原创 2021-01-31 20:40:02 · 762 阅读 · 0 评论 -
因果推断----因果关系之梯
因果关系之梯关联(第一层级):通过观察寻找规律。如果观察到某一事件改变了观察到另一事件的可能性,我们便说这一事件与另一事件相关联。基于被动观察做出预测。典型问题是“如果我观察到…会怎样?”当今的人工智能仍处于第一层级,强人工智能的目标是制造出拥有人类智能的机器,让它们能与人类交流并指导人类的探索方向。而深度学习只是让机器具备了高超的能力,而非智能。这种差异是巨大的,原因就在于后者缺少现实模型。例如,如果无人驾驶汽车的程序设计者想让汽车在新情况下做出不同的反应,那么他就必须明确地在程序中添加这些新反原创 2021-01-22 21:30:22 · 1277 阅读 · 0 评论