更改

|description=因果推断,因果推理，统计

|description=因果推断,因果推理，统计

}}

}}

'''因果推断 Causal inference'''是基于某一事件发生的条件得出关于因果联系结论的过程。因果推断与'''<font color = '#ff8000'>关联推理 inference of association</font>'''的主要区别在于前者分析了当原因改变时结果变量的响应。<ref name=Pearl_Journal>{{cite journal|last=Pearl|first=Judea|title=Causal inference in statistics: An overview|journal=Statistics Surveys|date=1 January 2009|volume=3|issue=|pages=96–146|doi=10.1214/09-SS057|url=http://ftp.cs.ucla.edu/pub/stat_ser/r350.pdf}}</ref><ref name=Morgan_book>{{cite book|last=Morgan|first=Stephen|author2=Winship, Chris|title=Counterfactuals and Causal inference|publisher=Cambridge University Press|year=2007|isbn=978-0-521-67193-4}}</ref>研究事件因何而起的科学被称为'''<font color = '#ff8000'>原因论 etiology</font>'''。因果推断是[[因果推理 causal reasoning]]的一个例子。

'''因果推断 Causal inference'''是基于某一事件发生的条件得出关于因果联系结论的过程。因果推断与'''关联推理 inference of association'''的主要区别在于前者分析了当原因改变时结果变量的响应。<ref name=Pearl_Journal>{{cite journal|last=Pearl|first=Judea|title=Causal inference in statistics: An overview|journal=Statistics Surveys|date=1 January 2009|volume=3|issue=|pages=96–146|doi=10.1214/09-SS057|url=http://ftp.cs.ucla.edu/pub/stat_ser/r350.pdf}}</ref><ref name=Morgan_book>{{cite book|last=Morgan|first=Stephen|author2=Winship, Chris|title=Counterfactuals and Causal inference|publisher=Cambridge University Press|year=2007|isbn=978-0-521-67193-4}}</ref>研究事件因何而起的科学被称为'''<font color = '#ff8000'>原因论 etiology</font>'''。因果推断是[[因果推理 causal reasoning]]的一个例子。

==方法==

==方法==

流行病学运用不同的流行病模型来收集和衡量危险因素和结果，以及判定两者之间的联系。一个假说被提出来后，然后进行'''<font color = '#ff8000'>统计学假设检验 Statistical hypothesis testing</font>'''。这种统计学推断有助于判断数据是否由偶然性引起，也被称为'''<font color="#ff8000">随机变异 random variation</font>'''，还是确实相关以及相关性的强弱。然而，相关不意味着因果，因此还需使用其他方法来推断其因果关系。

流行病学运用不同的流行病模型来收集和衡量危险因素和结果，以及判定两者之间的联系。一个假说被提出来后，然后进行'''统计学假设检验 Statistical hypothesis testing'''。这种统计学推断有助于判断数据是否由偶然性引起，也被称为'''随机变化 random variation'''，还是确实相关以及相关性的强弱。然而，相关不意味着因果，因此还需使用其他方法来推断其因果关系。

<br>

<br>

==在流行病学领域 In epidemiology==

==在流行病学领域 ==

流行病学研究特定生物群体的健康和疾病'''<font color = '#ff8000'>模式 patterns</font>'''，以推断原因和结果。'''<font color = '#ff8000'>暴露 exposure </font>'''于一般认为的'''<font color = '#ff8000'>危险因素 risk factor</font>'''和疾病之间可能存在关联，但不等于确定因果关系，因为相关不意味着因果。从历史上看，自19世纪，[[科赫法则 Koch's postulates]]就被用来判断一种微生物是否是引起某种疾病的病因。在20世纪，[[布拉德福德·希尔准则 Bradford Hill criteria]]<ref name="bh65">{{cite journal |last=Hill |first=Austin Bradford |year=1965 |title=The Environment and Disease: Association or Causation? |journal=Proceedings of the Royal Society of Medicine |volume=58 |pages=295–300 |url=http://www.edwardtufte.com/tufte/hill |pmid=14283879 |pmc=1898525 |issue=5 |doi=10.1177/003591576505800503}}</ref>已经被用来评估微生物学之外的变量的因果关系，尽管这些标准不是确定因果关系的唯一方法。

'''流行病学 epidemiology''' 研究特定生物群体的健康和疾病模式，以推断原因和结果。暴露 于一般认为的'''危险因素 risk factor'''和疾病之间可能存在关联，但不等于确定因果关系，因为相关不意味着因果。从历史上看，自19世纪，[[科赫法则 Koch's postulates]]就被用来判断一种微生物是否是引起某种疾病的病因。在20世纪，'''布拉德福德·希尔准则 Bradford Hill criteria'''<ref name="bh65">{{cite journal |last=Hill |first=Austin Bradford |year=1965 |title=The Environment and Disease: Association or Causation? |journal=Proceedings of the Royal Society of Medicine |volume=58 |pages=295–300 |url=http://www.edwardtufte.com/tufte/hill |pmid=14283879 |pmc=1898525 |issue=5 |doi=10.1177/003591576505800503}}</ref>已经被用来评估微生物学之外的变量的因果关系，尽管这些标准不是确定因果关系的唯一方法。

在新兴的'''<font color = '#ff8000'>分子病理流行病学 molecular pathological epidemiology (MPE)</font>'''交叉学科领域，最近的一个趋势（截至2014年）是确定在病变组织或细胞内，'''<font color = '#ff8000'>暴露迹象 exposure </font>'''在'''<font color = '#ff8000'>分子病理学 molecular pathology</font>'''影响的证据。将暴露迹象与疾病的分子病理特征联系起来可以帮助评估因果关系。基于特定疾病的异质性的固有特征、独特的疾病原理等，研究疾病'''<font color = '#ff8000'>表现型 phenotyping</font>'''及其'''<font color = '#ff8000'>亚型 subtyping </font>'''现在是生物医学和公共卫生科学的趋势。比如个体化医疗和精准医疗等。

在新兴的'''分子病理流行病学 molecular pathological epidemiology (MPE)'''交叉学科领域，最近的一个趋势（截至2014年）是确定在病变组织或细胞内，暴露迹象在'''分子病理学 molecular pathology'''影响的证据。将暴露迹象与疾病的分子病理特征联系起来可以帮助评估因果关系。基于特定疾病的异质性的固有特征、独特的疾病原理等，研究疾病'''<font color = '#ff8000'>表现型 phenotyping</font>'''及其'''<font color = '#ff8000'>亚型 subtyping </font>'''现在是生物医学和公共卫生科学的趋势。比如个体化医疗和精准医疗等。

<br>

<br>

==在计算机科学领域 In computer science==

==在计算机科学领域 ==

'''<font color='#32cd32'>从联合观测数据中确定两个时间无关变量（例如X和Y）的因果关系，利用某些模型在X→Y和Y→X方向上的证据之间的不对称性。Determination of cause and effect from joint observational data for two time-independent variables, say X and Y, has been tackled using asymmetry between evidence for some model in the directions, X → Y and Y → X.</font>'''主要的方法基于算法信息理论 Algorithmic information theory（AIT）模型和噪声模型 noise models。

从联合观测数据中确定两个时间无关变量（例如<math>X</math>和<math>Y</math>）的因果关系，利用某些模型在X→Y</math>和<math>Y→X</math>方向上的证据之间的不对称性。主要的方法基于算法信息理论 Algorithmic information theory（AIT）模型和噪声模型 noise models。

===算法信息模型 Algorithmic information models===

===算法信息模型===

比较两个同时输出 X 和 Y 的程序。

比较两个同时输出 X 和 Y 的程序。

* '''<font color='#32cd32'>根据未压缩的Y存储Y和X的压缩型 Store Y and a compressed form of X in terms of uncompressed Y.</font>'''

 

* '''根据未压缩的Y存储Y和X的压缩型 Store Y and a compressed form of X in terms of uncompressed Y.'''

* '''<font color='#32cd32'>根据未压缩的X存储X和Y的压缩型 Store X and a compressed form of Y in terms of uncompressed X.</font>'''

* '''<font color='#32cd32'>根据未压缩的X存储X和Y的压缩型 Store X and a compressed form of Y in terms of uncompressed X.</font>'''

===噪音模型 Noise models===

===噪音模型 ===

在模型中引入一个独立的噪声项，以对比两个方向的证据。下面是一些假设 Y → X 且具有噪声 E 的噪声模型：

在模型中引入一个独立的噪声项，以对比两个方向的证据。下面是一些假设 Y → X 且具有噪声 E 的噪声模型：