Science经典论文：如何检测复杂生态系统中的因果关系？

复杂系统中因果关系的推断非常的困难，对此有一系列的研究，2012年发表在Science上的一篇经典论文《Detecting Causality in Complex Ecosystems》提出了收敛交叉映射算法（convergent cross mapping），对于复杂生态系统中的因果推断有较好的效果。

1 回顾因果推断的相关方法——格兰杰因果检验方法

计量学家格兰杰提出的因果检测方法是针对于时间序列，最为常用的一种统计方法。从最初的计量经济学中使用，后来进入生态学、复杂网络等自然科学领域。格兰杰因果检验考察的是两个事件发生的先后顺序，然后假设因一定在果之前发生。

但是本质上格兰杰检验只能判断两个事件发生的先后顺序上是否在统计上显著，并不能判断因果关系。比如：中、美两国股市，如果发现美国股市的暴跌总是比中国早那么一点点，使用格兰杰因果检验的方法就会判定为美国股市的数据能够精确的预测中国股市，两者存在因果关系，但是实际上可能是某个突发的事件造成了两个国家股市的起伏，只是由于光纤传递信息快慢的原因导致了时间上的先后。

复杂系统的特点之一是存在非线性的相互影响，由此会产生相变和混沌现象。 （混沌现象：在确定性系统中的貌似随机的不规则运动，其行为表现为不确定性、不可重复性、不可预测，即混沌现象。）  具体来说就是两个变量在很长一段时间内，看起来都是高度相关的，但是可能突然就变得毫不相关。可能会导致由局部相关性推出伪相关关系。

【我的理解是该方法是在假设在前面发生的一定是因、后面发生的一定是果的前提下，根据时间来进行因果的判断。但是，由于有很多的事物（因素），很多事物之间不是单纯的一个线性关系，所以不能仅靠时间序列来进行判断因果。“因”会导致“果”，但是事物太多了，可能会刚好找到了假的“因”】

因此，格兰杰因果检验可能会判断错误。

2 收敛交叉映射算法

针对上面所提到格兰杰方法的缺陷，2012年这篇Science中非常经典的论文提出了改进的方法“收敛交叉映射算法”。

2.1 算法概述

收敛交叉映射算法思想是：如果变量Y的历史数据能够由变量X可靠的推出的程度越高，那么X到Y的因果关系就越强。（权重、模糊逻辑的隶属度等都很相似）考察当前的状态，根据当前的X预测当前的Y，而不是根据当前的X预测未来的Y。

收敛交叉映射算法关键词是:收敛（交叉相关性ρ的收敛）

2.2 区分因果关系类型

在一般的情况下，因果关系可以分为三类：互为因果（双向的）、单向因果、共同原因。在数据上来看，这三种类型是很难判定到底是哪一种情况，使用收敛交叉映射算法可以将共同原因（共同诱因Z导致X和Y发生变化的情况）与【互为因果、单向因果】（X导致Y）区分开。

两个变量X、Y的相关性没有根据时间的增加而收敛，即可排除互为因果、单向因果这两种关系，就可以判定是共同的原因导致了这两个变量的相关。

随着时间的变化，从X到Y和从Y到X的对应不确定都减少，从而推出互为因果。

随着时间的变化，只有从X到Y或者只有从Y到X的随机性降低，可以推出单向因果。

2.3 算法用途

在复杂的生态系统中，通过交叉收敛映射算法判断因果关系，可以在无假设的前提下进行因果关系的判定。因果推断研究助力新一代人工智能。（统计模型的最终目的，不是去超越最简单的观察法，而是去模拟人类的因果推断，从而做到小样本下可解释的因果推断，再将其自动化地推广到大数据上。）为了让人工智能更值得被信任，因果推断是充要条件。

近期，有一系列讨论复杂系统因果推断问题的研究进展，比如：利用因果推断避免一些不公平的问题；分析判断模型对因果的判断与哪些些因素相关，从而为模型提供可解释性；提升模型在不同领域间的可迁移能力，在无监督下学到领域无关的一致性表征等。

 

（对于收敛交叉映射算法算是有个一个简单地了解，没有动手进行实验，对该算法的理解还不是很透彻，以后有机会会自己动手进行实验、测试，深入的了解该算法）

参考：https://www.toutiao.com/i6766365254264816140/?tt_from=weixin&utm_campaign=client_share&wxshare_count=1&timestamp=1575687720&app=news_article&utm_source=weixin&utm_medium=toutiao_android&req_id=201912071102000100260770853DCC6F22&group_id=6766365254264816140