更改

因果推断 (查看源代码)

2020年10月18日 (日) 14:20的版本

删除10,772字节、 2020年10月18日 (日) 14:20

→‎在统计学和经济学领域 In statistics and economics

第111行：第111行：

==在统计学和经济学领域 In statistics and economics ==

+

在统计学和经济学中，因果关系通常通过[[回归分析来检验。有几种方法可以用来鉴别真实的因果关系和虚假的相关性。第一，经济学家根据经济理论('''理论驱动theory-driven'''的计量经济学)构建回归模型，从而确定因果关系的方向。例如，如果研究降雨与商品未来价格之间的依赖关系，那么广义上建构的理论表明，降雨可以影响价格，但未来价格不能改变降雨量。<ref>{{Cite book|last=Simon|first=Herbert|title=Models of Discovery|publisher=Springer|year=1977|location=Dordrecht|page=52}}</ref> . 第二，'''工具变量instrumental variables(IV)'''技术可以通过引入其他已知不受因变量的影响的工具变量来消除任何逆向因果关系。第三，在正向回归中只包含在时间上早于因变量的变量，就可以引用结果不能先于原因的原则。由于'''偏相关partial correlations'''是对称的，不能仅仅根据一方面的相关性来确定因果关系的方向。基于因果关系的'''概率观点probabilistic view'''，经济学家假设，在时间上原因必须先于其结果。这导致经济学家使用较早发生的现象作为自变量，并开发适用于时间序列分析的因果关系的计量经济学的检验方法（例如，'''格兰杰因果检验'''）<ref>{{Cite book|last=Maziarz|first=Mariusz|title=The Philosophy of Causality in Economics: Causal Inferences and Policy Proposals|publisher=Routledge|year=2020|location=New York}}</ref>。第四，有些方法包括了其他回归因素以确保'''混淆变量confounding variables'''不会导致回归项过于虚假地呈现这种现象十分重要。通过使用大规模样本和交叉验证来检查在回归中未使用的数据是否保持了相关，这样可以排除因巧合的相关性，而不是反映实际依赖内在过程的相关性。但在遭受'''多重共线性multicollinearity'''问题困扰的领域，如宏观经济学，原则上不可能包括所有混淆因素，因此计量经济模型容易出现'''共因谬误common-cause fallacy'''<ref>{{Cite journal|last=Henschen|first=Tobias|date=2018|title=The in-principle inconclusiveness of causal evidence in macroeconomics|journal=European Journal for Philosophy of Science|volume=8|pages=709–733}}</ref>。近年来，'''以设计为基础的计量经济学design-based econometrics'''活动已经推广至使用自然实验和准实验研究设计来解决'''虚假相关spurious correlations'''的问题<ref>{{Cite book|last=Angrist Joshua & Pischke Jörn-Steffen|title=Mostly Harmless Econometrics: An Empiricist's Companion|publisher=Princeton University Press|year=2008|location=Princeton}}</ref>。

−

--[[用户:嘉树|嘉树]]（[[用户讨论:嘉树|讨论]]）本段似有错漏，英文词条和本段内容有一些不同。因此，（1）先写本段的翻译，（2）再写英文词条中有不同的地方，（3）最后整合一下。【】括起来的是在两个版本中需要照应和修改的部分。

+

−

In [[statistics]] and [[economics]], causality is often tested via [[regression analysis]]. Several methods can be used to distinguish actual causality from spurious correlations. First, economists constructing regression models establish the direction of causal relation based on economic theory (theory-driven econometrics). For example, if one studies the dependency between rainfall and the future price of a commodity, then theory (broadly construed) indicates that rainfall can influence prices, but futures prices cannot make changes to the amount of rain<~~ref~~>{{Cite book|last=Simon|first=Herbert|title=Models of Discovery|publisher=Springer|year=1977|location=Dordrecht|page=52}}</ref> . Second, the [[instrumental variables]] (IV) technique may be employed to remove any reverse causation by introducing a role for other variables (instruments) that are known to be unaffected by the dependent variable. Third, economists consider time precedence to choose appropriate model specification. Given that partial correlations are symmetrical, one cannot determine the direction of causal relation based on correlations only. Based on the notion of probabilistic view on causality, economists assume that causes must be prior in time than their effects. This leads to using the variables representing phenomena happening earlier as independent variables and developing econometric tests for causality (e.g., Granger-causality tests) applicable in time series analysis<ref>{{Cite book|last=Maziarz|first=Mariusz|title=The Philosophy of Causality in Economics: Causal Inferences and Policy Proposals|publisher=Routledge|year=2020|location=New York}}</ref>. Fifth, other regressors are included to ensure that [[confounding variable]]s are not causing a regressor to appear to be significant spuriously but, in the areas suffering from the problem of multicollinearity such as macroeconomics, it is in principle impossible to include all confounding factors and therefore econometric models are susceptible to the common-cause fallacy.<ref>{{Cite journal|last=Henschen|first=Tobias|date=2018|title=The in-principle inconclusiveness of causal evidence in macroeconomics|journal=European Journal for Philosophy of Science|volume=8|pages=709–733}}</ref>. Recently, the movement of design-based econometrics has popularized using natural experiments and quasi-experimental research designs to address the problem of spurious correlations.<ref>{{Cite book|last=Angrist Joshua & Pischke Jörn-Steffen|title=Mostly Harmless Econometrics: An Empiricist's Companion|publisher=Princeton University Press|year=2008|location=Princeton}}</ref>

−

在统计学和经济学中，因果关系通常通过回归分析来检验。有几种方法可以用来区分真实的因果关系和虚假的相关性。第一，经济学家根据经济理论('''理论驱动theory-driven'''的计量经济学)构建回归模型，从而确定因果关系的方向。

−

例如，如果研究降雨与未来商品价格之间的依赖关系，那么一个广义上建构的理论表明，降雨可以影响价格，但未来价格不能改变降雨量。<ref>{{Cite book|last=Simon|first=Herbert|title=Models of Discovery|publisher=Springer|year=1977|location=Dordrecht|page=52}}</ref> . 第二，'''工具变量instrumental variables(IV)'''技术可以通过引入其他已知不受因变量的影响的工具变量来消除任何反向因果关系。【第三，经济学家会考虑时间优先级来选择合适的具体模型。由于'''偏相关partial correlations'''是对称的，人们不能在相关的基础上确定因果关系的方向。经济学家基于因果关系的'''概率观点probabilistic view'''假设，原因必须在时间上优先于其结果。这导致经济学家使用较早发生的现象作为自变量，并开发适用于时间序列分析的因果关系检验计量经济方法（例如，'''格兰杰因果检验'''）<ref>{{Cite book|last=Maziarz|first=Mariusz|title=The Philosophy of Causality in Economics: Causal Inferences and Policy Proposals|publisher=Routledge|year=2020|location=New York}}</ref>。第五，有些做法包括了其他回归项，从而确保'''混淆变量confounding variables'''不会导致某个回归因素显得明显虚假，但遭受'''多重共线性multicollinearity'''问题困扰的领域，如宏观经济学，原则上不可能包括所有混淆因素，因此计量经济模型容易出现'''共因谬误common-cause fallacy'''<ref>{{Cite journal|last=Henschen|first=Tobias|date=2018|title=The in-principle inconclusiveness of causal evidence in macroeconomics|journal=European Journal for Philosophy of Science|volume=8|pages=709–733}}</ref>。近年来，'''以研究设计为基础的计量经济学design-based econometrics'''运动已经推广使用自然实验和准实验研究设计来解决'''虚假相关spurious correlations'''的问题<ref>{{Cite book|last=Angrist Joshua & Pischke Jörn-Steffen|title=Mostly Harmless Econometrics: An Empiricist's Companion|publisher=Princeton University Press|year=2008|location=Princeton}}</ref>。】

−

~~--[[用户:ZC|ZC]]([[用户讨论:ZC|讨论]]) 【审校】有几种方法可以用来区分真实的因果关系和虚假的相关性。一句中的“区分”改为“鉴别”~~

−

~~--[[用户:ZC|ZC]]([[用户讨论:ZC|讨论]]) 【审校】从而确定因果关系的方向，一句中“确定”改为“建立”~~

−

~~--[[用户:ZC|ZC]]([[用户讨论:ZC|讨论]]) 【审校】如果研究降雨与未来商品价格之间的依赖关系，一句中“未来商品价格”改为“一种商品的未来价格~~

−

~~--[[用户:ZC|ZC]]([[用户讨论:ZC|讨论]]) 【审校】那么一个广义上建构的理论表明，一句中“一个”去掉。~~

−

--[[用户:ZC|ZC]]([[用户讨论:ZC|讨论]]) 【审校】技术可以通过引入其他已知不受因变量的影响的工具变量来消除任何反向因果关系。一句中“工具变量”改为“变量（工具）”；“反向因果”改为“逆因果”

−

--[[用户:ZC|ZC]]([[用户讨论:ZC|讨论]]) 【审校】经济学家会考虑时间优先级来选择合适的具体模型。一句中“会”改为“会通过”；“合适的具体模型”改为“适当的模型规范”

−

--[[用户:ZC|ZC]]([[用户讨论:ZC|讨论]]) 【审校】“人们不能在相关的基础上确定因果关系的方向”一句改为“不能仅仅根据一方面的相关性来确定因果关系的方向”

−

~~--[[用户:ZC|ZC]]([[用户讨论:ZC|讨论]]) 【审校】“经济学家基于因果关系的”一句改为“基于因果关系的”~~

−

~~--[[用户:ZC|ZC]]([[用户讨论:ZC|讨论]]) 【审校】“假设，原因必须在时间上优先于其结果”一句改为“经济学家假设，在时间上原因必须先于其结果”~~

−

--[[用户:ZC|ZC]]([[用户讨论:ZC|讨论]]) 【审校】“并开发适用于时间序列分析的因果关系检验计量经济方法”一句中的“检验计量经济方法”改为“计量经济学的检验方法”

−

~~--[[用户:ZC|ZC]]([[用户讨论:ZC|讨论]]) 【审校】“不会导致某个回归因素显得明显虚假”一句中的“明显虚假”改为“过于虚假”~~

−

~~--[[用户:ZC|ZC]]([[用户讨论:ZC|讨论]]) 【审校】“但遭受”中的“但”改为“但在”~~

−

~~--[[用户:ZC|ZC]]([[用户讨论:ZC|讨论]]) 【审校】“以研究设计为基础的计量经济学”一句中“研究”去掉。~~

−

--[[用户:ZC|ZC]]([[用户讨论:ZC|讨论]]) 【审校】“运动已经推广使用自然实验和准实验研究设计来解决”一句中“运动已经推广”改为“活动已经推广至”

−

~~--[[用户:嘉树|嘉树]]（[[用户讨论:嘉树|讨论]]）英文词条的第三和第四：~~

−

~~Third, the principle that effects cannot precede causes can be invoked, by including on the right side of the regression only variables that precede in time the dependent variable.~~

−

Fourth, other regressors are included to ensure that confounding variables are not causing a regressor to spuriously appear to be significant. Correlation by coincidence, as opposed to correlation reflecting actual dependence of the underlying process, can be ruled out by using large samples and by performing cross validation to check that correlations are maintained on data that were not used in the regression.

−

~~【第三，通过在回归的右侧只包括时间上在因变量之前的变量，就可以使用结果不能优先于原因的原则。~~

−

第四，有些方法包括了其他回归因素，以确保'''混淆变量confounding variables'''不会导致一个回归项虚假地呈现显著。通过使用大样本和交叉验证检查在回归中未使用的数据上是否保持了相关性，可以排除巧合的，而不是反映实际依赖内在过程的相关性。】

−

--[[用户:ZC|ZC]]([[用户讨论:ZC|讨论]]) 【审校】“通过在回归的右侧只包括时间上在因变量之前的变量”改为“在正向回归中只包含在时间上早于因变量的变量”

−

~~--[[用户:ZC|ZC]]([[用户讨论:ZC|讨论]]) 【审校】“就可以使用结果不能优先于原因的原则”改为“就可以引用结果不能先于原因的原则”~~

−

~~--[[用户:ZC|ZC]]([[用户讨论:ZC|讨论]]) 【审校】“有些方法包括了其他回归因素，以确保”改为“有些方法包括了其他回归因素以确保”~~

−

~~--[[用户:ZC|ZC]]([[用户讨论:ZC|讨论]]) 【审校】“不会导致一个回归项虚假地呈现显著”改为“不会导致回归项虚假地呈现这种现象十分重要”~~

−

--[[用户:ZC|ZC]]([[用户讨论:ZC|讨论]]) 【审校】“通过使用大样本和交叉验证检查在回归中未使用的数据上是否保持了相关性，可以排除巧合的，而不是反映实际依赖内在过程的相关性。”一句改为“通过使用大规模样本和交叉验证来检查在回归中未使用的数据是否保持了相关，这样可以排除因巧合的相关性，而不是反映实际依赖内在过程的相关性。”

−

~~--[[用户:嘉树|嘉树]]（[[用户讨论:嘉树|讨论]]）整合后的翻译：~~

−

在统计学和经济学中，因果关系通常通过回归分析来检验。有几种方法可以用来区分真实的因果关系和虚假的相关性。第一，经济学家根据经济理论('''理论驱动theory-driven'''的计量经济学)构建回归模型，从而确定因果关系的方向。例如，如果研究降雨与未来商品价格之间的依赖关系，那么一个广义上建构的理论表明，降雨可以影响价格，但未来价格不能改变降雨量。<ref>{{Cite book|last=Simon|first=Herbert|title=Models of Discovery|publisher=Springer|year=1977|location=Dordrecht|page=52}}</ref> . 第二，'''工具变量instrumental variables(IV)'''技术可以通过引入其他已知不受因变量的影响的工具变量来消除任何反向因果关系。第三，通过在回归的右侧只包括时间上在因变量之前的变量，就可以使用结果不能优先于原因的原则。由于'''偏相关partial correlations'''是对称的，人们不能在相关的基础上确定因果关系的方向。经济学家基于因果关系的'''概率观点probabilistic view'''假设，原因必须在时间上优先于其结果。这导致经济学家使用较早发生的现象作为自变量，并开发适用于时间序列分析的因果关系检验计量经济方法（例如，'''格兰杰因果检验'''）<ref>{{Cite book|last=Maziarz|first=Mariusz|title=The Philosophy of Causality in Economics: Causal Inferences and Policy Proposals|publisher=Routledge|year=2020|location=New York}}</ref>。第四，有些方法包括了其他回归因素，以确保'''混淆变量confounding variables'''不会导致一个回归项虚假地呈现显著。通过使用大样本和交叉验证检查在回归中未使用的数据上是否保持了相关性，可以排除巧合的，而不是反映实际依赖内在过程的相关性。但遭受'''多重共线性multicollinearity'''问题困扰的领域，如宏观经济学，原则上不可能包括所有混淆因素，因此计量经济模型容易出现'''共因谬误common-cause fallacy'''<ref>{{Cite journal|last=Henschen|first=Tobias|date=2018|title=The in-principle inconclusiveness of causal evidence in macroeconomics|journal=European Journal for Philosophy of Science|volume=8|pages=709–733}}</ref>。近年来，'''以研究设计为基础的计量经济学design-based econometrics'''运动已经推广使用自然实验和准实验研究设计来解决'''虚假相关spurious correlations'''的问题<ref>{{Cite book|last=Angrist Joshua & Pischke Jörn-Steffen|title=Mostly Harmless Econometrics: An Empiricist's Companion|publisher=Princeton University Press|year=2008|location=Princeton}}</ref>。

== In social science 在社会科学领域==

薄荷

7,129

个编辑