更改

[[File:Diagram of Dynamic Causal Modelling - Causal Modelling and Brain Connectivity in Functional Magnetic Resonance Imaging by Karl Friston.png|thumb|300px|比较两个竞争的因果模型(DCM，GCM)用于解释[[fMRI 图像]]<ref>{{cite journal | doi=10.1371/journal.pbio.1000033 | pmid=19226186 | pmc=2642881 | author=Karl Friston | title=Causal Modelling and Brain Connectivity in Functional Magnetic Resonance Imaging | journal=PLOS Biology| volume=7 | number=2 | pages=e1000033 | date=Feb 2009}}</ref>]]

[[File:Diagram of Dynamic Causal Modelling - Causal Modelling and Brain Connectivity in Functional Magnetic Resonance Imaging by Karl Friston.png|thumb|300px|比较两个竞争的因果模型(DCM，GCM)用于解释[[fMRI 图像]]<ref>{{cite journal | doi=10.1371/journal.pbio.1000033 | pmid=19226186 | pmc=2642881 | author=Karl Friston | title=Causal Modelling and Brain Connectivity in Functional Magnetic Resonance Imaging | journal=PLOS Biology| volume=7 | number=2 | pages=e1000033 | date=Feb 2009}}</ref>]]

在科学哲学中，'''<font color="#ff8000"> 因果模型 Causal Model</font>'''(或'''<font color="#ff8000"> 结构因果模型 Structural Causal Model</font>''')是描述系统因果机制的概念模型。因果模型可以通过提供清晰的规则来决定需要考虑/控制哪些自变量，从而改进研究设计。

在科学哲学中，'''<font color="#ff8000"> 因果模型 Causal Model</font>'''(或'''<font color="#ff8000"> 结构因果模型 Structural Causal Model</font>''')是描述系统因果机制的概念模型。因果模型可以通过提供清晰的规则来决定需要考虑/控制哪些自变量，从而改进研究设计。

因果模型可以从现有的观察数据中回答一些问题，而无需进行随机对照实验等干预性研究。一些干预性研究由于伦理或实践的原因是不合适的，这意味着如果没有一个因果模型，一些假设就无法被检验。

因果模型可以从现有的观察数据中回答一些问题，而无需进行随机对照实验等干预性研究。一些干预性研究由于伦理或实践的原因是不合适的，这意味着如果没有一个因果模型，一些假设就无法被检验。

因果模型可以帮助解决'''<font color="#ff8000"> 外部有效性 External Validity</font>'''问题(一项研究的结果是否适用于未研究的总体)。在某些情况下，因果模型可以允许多项研究的数据合并起来回答任何单个数据集都无法回答的问题。

因果模型可以帮助解决'''<font color="#ff8000"> 外部有效性 External Validity</font>'''问题(一项研究的结果是否适用于未研究的总体)。在某些情况下，因果模型可以允许多项研究的数据合并起来回答任何单个数据集都无法回答的问题。

因果模型是可证伪的，因为如果一些因果模型与数据不匹配，这些因果模型就必须作为无效模型而被拒绝接受。因果模型还必须使得研究相关现象的科学家们信服。<ref>{{Cite journal|last1=Barlas|first1=Yaman|last2=Carpenter|first2=Stanley|date=1990|title=Philosophical roots of model validation: Two paradigms|journal=System Dynamics Review|language=en|volume=6|issue=2|pages=148–166|doi=10.1002/sdr.4260060203}}</ref>

因果模型是可证伪的，因为如果一些因果模型与数据不匹配，这些因果模型就必须作为无效模型而被拒绝接受。因果模型还必须使得研究相关现象的科学家们信服。<ref>{{Cite journal|last1=Barlas|first1=Yaman|last2=Carpenter|first2=Stanley|date=1990|title=Philosophical roots of model validation: Two paradigms|journal=System Dynamics Review|language=en|volume=6|issue=2|pages=148–166|doi=10.1002/sdr.4260060203}}</ref>

因果模型在信号处理、流行病学和机器学习中都有应用。<ref name=":0">{{harvnb|Pearl|2009}}</ref>

因果模型在信号处理、流行病学和机器学习中都有应用。<ref name=":0">{{harvnb|Pearl|2009}}</ref>