697
个编辑
更改
跳到导航
跳到搜索
第154行：
第154行： − + − Suppes提出若变量<math>X</math>是变量<math>Y</math>的原因，需满足两个条件：+ 第166行：
第166行： − + − Eells提出若变量<math>X</math>是变量<math>Y</math>的原因，必须在所有可能的背景条件<math>K</math>下，<math>X</math>能持续提升<math>Y</math>的发生概率。将因果效应定义为：+ 第173行：
第173行： + + + + + + +
→基于概率差异的因果效应度量
[[反事实]]在因果科学中指的是如果在发生<math>X = x</math>，同时又出现了结果<math>Y</math>的情况下，若<math>X = x'</math>，<math>Y</math>仍然发生的可能性有多大，表示为<math>P(Y_{X = x'}|X = x,Z)</math>。反事实讨论的是原因的必要性，反映了人类的反思和回顾，这是人类智能中的核心部分。在反事实分析中，引入了Do演算<math>\text{do}(X = x)</math>，即对于变量<math>X</math>强制设为<math>x</math>，反映了对于现实世界的一种干预。如果在现实世界<math>Z</math>中实施了操作<math>\text{do}(X = x)</math>，则结果是<math>P(Y|\text{do}(X = x),Z)</math>，若改为反事实操作<math>\text{do}(X = x')</math>，即做了<math>X</math>的另一种替换操作，所得到的结果应该是<math>P(Y|\text{do}(X = x'),Z^{*})</math>，其中<math>Z^{*}</math>是所谓的与<math>Z</math>最邻近的假设世界，即在<math>Z^{*}</math>与<math>Z</math>中，所有不受<math>X</math>影响的变量都取相同的值。以前也有过各种关于反事实的定义，但是大多数含义是模糊的或者难以识别的，没有严格区分现实世界与假设世界的异同。例如有些定义将反事实放在另一个更一般的世界中，这可能与反事实概念的初衷相违。有些定义用自然语言描述，无法转化为数学公式，从而难以具体计算。而珀尔的定义则语义明确，在很多情况下，又易于在计算机上进行运算。更重要的，该定义与人们的常识较为吻合，有利于与现有的知识体系相结合。反事实在日常生活和科学论述中是大量出现的。尽管从数学上说，珀尔对于反事实的定义仍然是一种约定，却是目前关于反事实推断的最为清晰、涵盖面最广以及最便于在实际中应用的概念。
[[反事实]]在因果科学中指的是如果在发生<math>X = x</math>，同时又出现了结果<math>Y</math>的情况下，若<math>X = x'</math>，<math>Y</math>仍然发生的可能性有多大，表示为<math>P(Y_{X = x'}|X = x,Z)</math>。反事实讨论的是原因的必要性，反映了人类的反思和回顾，这是人类智能中的核心部分。在反事实分析中，引入了Do演算<math>\text{do}(X = x)</math>，即对于变量<math>X</math>强制设为<math>x</math>，反映了对于现实世界的一种干预。如果在现实世界<math>Z</math>中实施了操作<math>\text{do}(X = x)</math>，则结果是<math>P(Y|\text{do}(X = x),Z)</math>，若改为反事实操作<math>\text{do}(X = x')</math>，即做了<math>X</math>的另一种替换操作，所得到的结果应该是<math>P(Y|\text{do}(X = x'),Z^{*})</math>，其中<math>Z^{*}</math>是所谓的与<math>Z</math>最邻近的假设世界，即在<math>Z^{*}</math>与<math>Z</math>中，所有不受<math>X</math>影响的变量都取相同的值。以前也有过各种关于反事实的定义，但是大多数含义是模糊的或者难以识别的，没有严格区分现实世界与假设世界的异同。例如有些定义将反事实放在另一个更一般的世界中，这可能与反事实概念的初衷相违。有些定义用自然语言描述，无法转化为数学公式，从而难以具体计算。而珀尔的定义则语义明确，在很多情况下，又易于在计算机上进行运算。更重要的，该定义与人们的常识较为吻合，有利于与现有的知识体系相结合。反事实在日常生活和科学论述中是大量出现的。尽管从数学上说，珀尔对于反事实的定义仍然是一种约定，却是目前关于反事实推断的最为清晰、涵盖面最广以及最便于在实际中应用的概念。
== 基于概率差异的因果效应度量 ==
== 基于概率差异的因果效应度量 ==
=== Patrick Suppes将因果效应量化为概率差异 ===
=== Patrick Suppes的概率提升因果理论 ===
Suppes提出了一种基于概率提升（Probabilistic Raising）的因果理论，强调原因事件对结果事件的概率影响。核心定义可以描述为，若变量<math>X</math>是变量<math>Y</math>的原因，需满足两个条件：
'''时序性（Temporal Priority）'''：原因事件<math>X</math>必须发生在结果事件<math>Y</math>之前；
'''时序性（Temporal Priority）'''：原因事件<math>X</math>必须发生在结果事件<math>Y</math>之前；
若 <math>\Delta > 0</math>，则<math>X</math>对<math>Y</math>有正向因果效应；若<math>\Delta < 0</math>，则为负向效应；若<math>\Delta = 0</math>，则无因果效应。这一度量无法直接控制混杂变量（confounders）。
若 <math>\Delta > 0</math>，则<math>X</math>对<math>Y</math>有正向因果效应；若<math>\Delta < 0</math>，则为负向效应；若<math>\Delta = 0</math>，则无因果效应。这一度量无法直接控制混杂变量（confounders）。
=== Ellery Eells将因果效应量化为概率差异 ===
=== Ellery Eells的持续性概率提升因果理论 ===
Eells在1991年系统性地论证了因果关系的概率本质，提出了基于持续性概率提升（Sustained Probability Raising）的因果理论。核心定义为，若变量<math>X</math>是变量<math>Y</math>的原因，必须在所有可能的背景条件<math>K</math>下，<math>X</math>能持续提升<math>Y</math>的发生概率。并将因果效应定义为：
在控制所有相关背景条件（Background Conditions）<math>K</math>的情况下，<math>X</math>对<math>Y</math>的条件概率差异,公式为:
在控制所有相关背景条件（Background Conditions）<math>K</math>的情况下，<math>X</math>对<math>Y</math>的条件概率差异,公式为:
同样，若 <math>\Delta > 0</math>，则<math>X</math>对<math>Y</math>有正向因果效应；若<math>\Delta < 0</math>，则为负向效应；若<math>\Delta = 0</math>，则无因果效应。Eells 的因果定义比 Suppes 更严格，要求因果效应在所有相关背景条件下均成立，而非仅整体概率提升。但实际中往往难以穷尽所有可能的<math>K</math>，导致操作困难。
同样，若 <math>\Delta > 0</math>，则<math>X</math>对<math>Y</math>有正向因果效应；若<math>\Delta < 0</math>，则为负向效应；若<math>\Delta = 0</math>，则无因果效应。Eells 的因果定义比 Suppes 更严格，要求因果效应在所有相关背景条件下均成立，而非仅整体概率提升。但实际中往往难以穷尽所有可能的<math>K</math>，导致操作困难。
=== Patricia Cheng的因果归因理论 ===
Patricia Cheng的因果归因理论（Causal Attribution Theory）与概率提升概念有深刻关联，其理论框架对传统概率提升模型进行了重要扩展和修正，核心思想是：
人类通过观察事件发生的共变概率（<math>\(P(Y|X)\)</math>和<math>\(P(Y|\neg X)\)</math>）来推断潜在因果关系，但需排除背景条件的干扰。其公式为：
<math>\[\text{Causal Power of } X = \frac{P(Y|X) - P(Y|\neg X)}{1 - P(Y|\neg X)}\]</math>
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。
== 基于有效信息的因果效应度量 ==
== 基于有效信息的因果效应度量 ==