更改

因果效应度量 (查看源代码)

2025年3月21日 (五) 09:29的版本

删除931字节、 2025年3月21日 (五) 09:29

第189行：第189行：

该公式的本质是计算<math>X</math>独立于背景条件时对<math>Y</math>的净因果效应，即<math>X</math>导致<math>Y</math>的因果力量（Causal Power）。通过公式中的分母项 <math>1 - P(Y|\neg X)</math>，将背景条件的影响从<math>X</math>的因果效应中剥离，得到<math>X</math>的独立因果力量。这类似于统计学中的控制混杂变量，但更侧重认知层面的归因机制。

−

~~=== Judea Pearl对因果效应的概率表达 ===~~

−

Judea Pearl在2000年发表的著作<ref name=pearl_2009/>中通过通过结构因果模型引入干预操作（[[Do演算]]），将因果效应量化为干预操作下的概率差异，通过干预操作解决了混杂变量问题，使概率提升真正成为可操作的因果标准。公式如下：

−

~~<math>\Delta = P(Y \mid do(X=x), Z) - P(Y \mid do(X=x'), Z)</math>~~

−

~~其中：~~

−

~~<math>do(X=x)</math>表示对变量<math>X</math>进行人为干预，将其固定为某个值<math>x</math>；~~

−

~~<math>Y</math>是结果变量，<math>Z</math>是背景条件（控制变量）；~~

−

~~<math>x</math>和<math>x'</math>代表<math>X</math>的两种不同干预状态（例如服药与不服药）。~~

−

~~对于二元变量（如<math>X=1</math>表示服药，<math>X=0</math>表示不服药），平均因果效应可简化为：~~

−

~~<math>ACE = P(Y=1 \mid do(X=1)) - P(Y=1 \mid do(X=0))</math>~~

== 基于有效信息的因果效应度量 ==

刘易明

697

个编辑