697
个编辑
更改
→基于时间序列的因果效应度量
独立因果机制(independence causal mechanism，ICM):它是指不同的因果关系之间相互独立的机制。假设我们有变量X导致变量Y，以及变量Z导致变量W，这两种因果关系之间的变量XY和ZW是相互独立的，无论XY的因果关系怎么变化都不会影响ZW之间的因果关系。这意味着因果关系具有稳健性、不变性和可重复性。例如太阳每天都会升起落下，这个因果关系就很稳定，不会因为今天路上车多了，太阳升起落下的规律就变了。因此，ICM允许把样本中的每个个体的因果关系看作独立事件，从而降低了计算因果效应需要的样本数量、模型规模和建模时间。例如在医学中，一项手术对了某个患者的治疗效果不会因为其他患者接受手术的情况而变化，一些细心的读者可能会想到，有些患者在看到别的手术出现不良效果时情绪产生波动、从而影响了自身的手术效果，在这种情况下，所考虑的原因变量要增加一个，即情绪。在新的变量环境下，手术的效果还是独立的(当然与不考虑情绪是有区别的)。不考虑患者的情绪,手术效果完全取决于手术本身。考虑患者的情绪，则手术效果取决于手术和情绪。在这两种情况下，系统都是独立的，不受外部影响。也就是说，一项治疗措施对一个患者的效果，只和这个患者自身的情况有关，和其他患者以及非患者都没关系。所以，我们在研究时，只需要收集和这个患者有关的数据就可以了。
独立因果机制(independence causal mechanism，ICM):它是指不同的因果关系之间相互独立的机制。假设我们有变量X导致变量Y，以及变量Z导致变量W，这两种因果关系之间的变量XY和ZW是相互独立的，无论XY的因果关系怎么变化都不会影响ZW之间的因果关系。这意味着因果关系具有稳健性、不变性和可重复性。例如太阳每天都会升起落下，这个因果关系就很稳定，不会因为今天路上车多了，太阳升起落下的规律就变了。因此，ICM允许把样本中的每个个体的因果关系看作独立事件，从而降低了计算因果效应需要的样本数量、模型规模和建模时间。例如在医学中，一项手术对了某个患者的治疗效果不会因为其他患者接受手术的情况而变化，一些细心的读者可能会想到，有些患者在看到别的手术出现不良效果时情绪产生波动、从而影响了自身的手术效果，在这种情况下，所考虑的原因变量要增加一个，即情绪。在新的变量环境下，手术的效果还是独立的(当然与不考虑情绪是有区别的)。不考虑患者的情绪,手术效果完全取决于手术本身。考虑患者的情绪，则手术效果取决于手术和情绪。在这两种情况下，系统都是独立的，不受外部影响。也就是说，一项治疗措施对一个患者的效果，只和这个患者自身的情况有关，和其他患者以及非患者都没关系。所以，我们在研究时，只需要收集和这个患者有关的数据就可以了。
== 基于时间序列的因果效应度量 ==
== 基于维纳思想的因果效应度量 ==
在现代社会，数据易于获取且数量庞大。此外，为了推断某些类型的因果关系，进行干预实验可能会很困难或根本不可能。因此，越来越多的研究正在使用观察性的，基于时间序列数据的因果效应度量方法。它们都是根据诺伯特·维纳（Norbert Wiener）提出的思想<ref name=wiener_1949>{{cite book |last1=Wiener |first1=Norbert |title=Extrapolation, Interpolation, and Smoothing of Stationary Time Series |publisher=The MIT Press |year=1949 |isbn=9780262230025 |note = 提出通过时间序列的过去值预测未来的理论框架，为 Granger 因果关系的发展奠定了基础}}</ref>：“如果一个时间序列<math>X</math>导致一个时间序列<math>Y</math>，那么<math>X</math>的过去值应该包含有助于预测<math>Y</math>的信息，且这些信息超出了仅包含在<math>Y</math>过去值中的信息”。该思想是一种从时间序列数据度量因果效应的简单而优雅的方法。
下面的三种方法都是基于此思想，下面阐述每种方法背后的思想。如果包含<math>X</math>的过去值：
下面的三种方法都是基于此思想，下面阐述每种方法背后的思想。如果包含<math>X</math>的过去值：