3,094
个编辑
更改
跳到导航
跳到搜索
第220行：
第220行： − +
→Patricia Cheng的因果归因理论
<math>\text{Causal Power of } X = \frac{P(Y|X) - P(Y|\neg X)}{1 - P(Y|\neg X)}</math>
<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。
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（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。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 ==