697
个编辑
更改
跳到导航
跳到搜索
第12行：
第12行： + +
→历史渊源
朱迪亚・珀尔（[[Judea Pearl]]）在 1995 年提出的[[结构因果模型]]（Structural Causal Model，SCM）<ref name=pearl_1995>{{cite journal |last=Pearl |first=Judea |title=Causal Diagrams for Empirical Research |journal=Biometrika |volume=82 |number=4 |year=1995 |pages=702–710 |url=https://doi.org/10.1093/biomet/82.4.702}}</ref>，这是一种以[[有向无环图]]和[[结构方程]]为基础，通过清晰描绘变量间因果结构、进行反事实推理和因果效应估计的因果分析工具，可以用来帮助人们理解和分析变量之间因果关系，广泛应用于多个领域。珀尔在此基础上又提出了[[因果分析框架]]<ref name="pearl_2009">{{cite book |last1=Pearl |first1=Judea |title=Causality: Models, Reasoning, and Inference |edition=2nd |publisher=Cambridge University Press |year=2009 |isbn=978-0521895606 |url=https://doi.org/10.1017/CBO9780511803161}}</ref>，为因果分析提供了一套系统的、形式化的理论和方法体系，将因果关系划分为关联、[[干预]]、[[反事实]]三个层级，使得因果推理更加精确和实用。
朱迪亚・珀尔（[[Judea Pearl]]）在 1995 年提出的[[结构因果模型]]（Structural Causal Model，SCM）<ref name=pearl_1995>{{cite journal |last=Pearl |first=Judea |title=Causal Diagrams for Empirical Research |journal=Biometrika |volume=82 |number=4 |year=1995 |pages=702–710 |url=https://doi.org/10.1093/biomet/82.4.702}}</ref>，这是一种以[[有向无环图]]和[[结构方程]]为基础，通过清晰描绘变量间因果结构、进行反事实推理和因果效应估计的因果分析工具，可以用来帮助人们理解和分析变量之间因果关系，广泛应用于多个领域。珀尔在此基础上又提出了[[因果分析框架]]<ref name="pearl_2009">{{cite book |last1=Pearl |first1=Judea |title=Causality: Models, Reasoning, and Inference |edition=2nd |publisher=Cambridge University Press |year=2009 |isbn=978-0521895606 |url=https://doi.org/10.1017/CBO9780511803161}}</ref>，为因果分析提供了一套系统的、形式化的理论和方法体系，将因果关系划分为关联、[[干预]]、[[反事实]]三个层级，使得因果推理更加精确和实用。
Patrick Suppes在1970年的一篇论文中首次将概率引入因果分析，提出如果变量X是变量Y的原因须满足X先于Y（时序性）和X能提升Y发生的概率这两个条件。Suppes的框架为后续研究奠定了基础，但未严格区分关联与因果。Eells 在1991年系统论证了因果关系的概率本质，强调因果解释需结合具体情境（Contextualization），需控制混杂变量。朱迪亚・珀尔通过结构因果模型（SCM）和[[Do演算]]形式化概率提升，解决了混杂偏倚问题。
21世纪初Giulio Tononi 和 Olaf Sporns 提出[[有效信息|有效信息 (EI)]]的概念<ref name=tononi_2003>{{cite journal |last1=Tononi|first1=G.|last2=Sporns|first2=O.|title=Measuring information integration|journal=BMC Neuroscience|volume=4 |issue=31 |year=2003|url=https://doi.org/10.1186/1471-2202-4-31}}</ref>它通过干预实验来排除其他因素的影响，通过比较干预前后状态之间的[[互信息]]来量化因果效应。到了2013年，Giulio Tononi的学生Erik Hoel等人将有效信息这个概念进一步提炼出来，用来度量马尔科夫动力学的因果效应强度，并提出了[[因果涌现]]理论<ref name=hoel_2013>{{cite journal|last1=Hoel|first1=Erik P.|last2=Albantakis|first2=L.|last3=Tononi|first3=G.|title=Quantifying causal emergence shows that macro can beat micro|journal=Proceedings of the National Academy of Sciences|volume=110|issue=49|page=19790–19795|year=2013|url=https://doi.org/10.1073/pnas.1314922110}}</ref>。
21世纪初Giulio Tononi 和 Olaf Sporns 提出[[有效信息|有效信息 (EI)]]的概念<ref name=tononi_2003>{{cite journal |last1=Tononi|first1=G.|last2=Sporns|first2=O.|title=Measuring information integration|journal=BMC Neuroscience|volume=4 |issue=31 |year=2003|url=https://doi.org/10.1186/1471-2202-4-31}}</ref>它通过干预实验来排除其他因素的影响，通过比较干预前后状态之间的[[互信息]]来量化因果效应。到了2013年，Giulio Tononi的学生Erik Hoel等人将有效信息这个概念进一步提炼出来，用来度量马尔科夫动力学的因果效应强度，并提出了[[因果涌现]]理论<ref name=hoel_2013>{{cite journal|last1=Hoel|first1=Erik P.|last2=Albantakis|first2=L.|last3=Tononi|first3=G.|title=Quantifying causal emergence shows that macro can beat micro|journal=Proceedings of the National Academy of Sciences|volume=110|issue=49|page=19790–19795|year=2013|url=https://doi.org/10.1073/pnas.1314922110}}</ref>。