更改

因果推断 (查看源代码)

2020年10月27日 (二) 09:37的版本

删除612字节、 2020年10月27日 (二) 09:37

无编辑摘要

第3行：第3行：

|description=因果推断,因果推理，统计

}}

−

'''因果推断 Causal inference'''是基于某一事件发生的条件得出关于因果联系结论的过程。因果推断与'''~~~~关联推理 inference of association~~~~'''的主要区别在于前者分析了当原因改变时结果变量的响应。<ref name=Pearl_Journal>{{cite journal|last=Pearl|first=Judea|title=Causal inference in statistics: An overview|journal=Statistics Surveys|date=1 January 2009|volume=3|issue=|pages=96–146|doi=10.1214/09-SS057|url=http://ftp.cs.ucla.edu/pub/stat_ser/r350.pdf}}</ref><ref name=Morgan_book>{{cite book|last=Morgan|first=Stephen|author2=Winship, Chris|title=Counterfactuals and Causal inference|publisher=Cambridge University Press|year=2007|isbn=978-0-521-67193-4}}</ref>研究事件因何而起的科学被称为'''原因论 etiology'''。因果推断是[[因果推理 causal reasoning]]的一个例子。

+

'''因果推断 Causal inference'''是基于某一事件发生的条件得出关于因果联系结论的过程。因果推断与'''关联推理 inference of association'''的主要区别在于前者分析了当原因改变时结果变量的响应。<ref name=Pearl_Journal>{{cite journal|last=Pearl|first=Judea|title=Causal inference in statistics: An overview|journal=Statistics Surveys|date=1 January 2009|volume=3|issue=|pages=96–146|doi=10.1214/09-SS057|url=http://ftp.cs.ucla.edu/pub/stat_ser/r350.pdf}}</ref><ref name=Morgan_book>{{cite book|last=Morgan|first=Stephen|author2=Winship, Chris|title=Counterfactuals and Causal inference|publisher=Cambridge University Press|year=2007|isbn=978-0-521-67193-4}}</ref>研究事件因何而起的科学被称为'''原因论 etiology'''。因果推断是[[因果推理 causal reasoning]]的一个例子。

第17行：第17行：

==方法==

−

流行病学运用不同的流行病模型来收集和衡量危险因素和结果，以及判定两者之间的联系。一个假说被提出来后，然后进行'''~~~~统计学假设检验 Statistical hypothesis testing~~~~'''。这种统计学推断有助于判断数据是否由偶然性引起，也被称为'''~~随机变异~~ random variation~~~~'''，还是确实相关以及相关性的强弱。然而，相关不意味着因果，因此还需使用其他方法来推断其因果关系。

+

流行病学运用不同的流行病模型来收集和衡量危险因素和结果，以及判定两者之间的联系。一个假说被提出来后，然后进行'''统计学假设检验 Statistical hypothesis testing'''。这种统计学推断有助于判断数据是否由偶然性引起，也被称为'''随机变化 random variation'''，还是确实相关以及相关性的强弱。然而，相关不意味着因果，因此还需使用其他方法来推断其因果关系。

第24行：第24行：

−

==在流行病学领域 ~~In epidemiology~~==

+

==在流行病学领域 ==

−

~~流行病学研究特定生物群体的健康和疾病~~'''~~模式 patterns'''，以推断原因和结果。'''暴露 exposure ~~'''于一般认为的'''~~~~危险因素 risk factor~~~~'''和疾病之间可能存在关联，但不等于确定因果关系，因为相关不意味着因果。从历史上看，自19世纪，[[科赫法则 Koch's postulates]]就被用来判断一种微生物是否是引起某种疾病的病因。在20世纪，[[布拉德福德·希尔准则 Bradford Hill criteria]]<ref name="bh65">{{cite journal |last=Hill |first=Austin Bradford |year=1965 |title=The Environment and Disease: Association or Causation? |journal=Proceedings of the Royal Society of Medicine |volume=58 |pages=295–300 |url=http://www.edwardtufte.com/tufte/hill |pmid=14283879 |pmc=1898525 |issue=5 |doi=10.1177/003591576505800503}}</ref>已经被用来评估微生物学之外的变量的因果关系，尽管这些标准不是确定因果关系的唯一方法。

+

'''流行病学 epidemiology''' 研究特定生物群体的健康和疾病模式，以推断原因和结果。暴露于一般认为的'''危险因素 risk factor'''和疾病之间可能存在关联，但不等于确定因果关系，因为相关不意味着因果。从历史上看，自19世纪，[[科赫法则 Koch's postulates]]就被用来判断一种微生物是否是引起某种疾病的病因。在20世纪，'''布拉德福德·希尔准则 Bradford Hill criteria'''<ref name="bh65">{{cite journal |last=Hill |first=Austin Bradford |year=1965 |title=The Environment and Disease: Association or Causation? |journal=Proceedings of the Royal Society of Medicine |volume=58 |pages=295–300 |url=http://www.edwardtufte.com/tufte/hill |pmid=14283879 |pmc=1898525 |issue=5 |doi=10.1177/003591576505800503}}</ref>已经被用来评估微生物学之外的变量的因果关系，尽管这些标准不是确定因果关系的唯一方法。

第32行：第32行： −

在新兴的'''~~~~分子病理流行病学 molecular pathological epidemiology (MPE)~~'''交叉学科领域，最近的一个趋势（截至2014年）是确定在病变组织或细胞内，'''暴露迹象 exposure ''~~'在'''~~分子病理学 molecular pathology~~'''影响的证据。将暴露迹象与疾病的分子病理特征联系起来可以帮助评估因果关系。基于特定疾病的异质性的固有特征、独特的疾病原理等，研究疾病'''表现型 phenotyping'''及其'''亚型 subtyping '''现在是生物医学和公共卫生科学的趋势。比如个体化医疗和精准医疗等。

+

在新兴的'''分子病理流行病学 molecular pathological epidemiology (MPE)'''交叉学科领域，最近的一个趋势（截至2014年）是确定在病变组织或细胞内，暴露迹象在'''分子病理学 molecular pathology'''影响的证据。将暴露迹象与疾病的分子病理特征联系起来可以帮助评估因果关系。基于特定疾病的异质性的固有特征、独特的疾病原理等，研究疾病'''表现型 phenotyping'''及其'''亚型 subtyping '''现在是生物医学和公共卫生科学的趋势。比如个体化医疗和精准医疗等。

−

==在计算机科学领域 ~~In computer science~~==

+

==在计算机科学领域 ==

−

~~'''~~<~~font color='#32cd32'~~>从联合观测数据中确定两个时间无关变量（例如X和Y）的因果关系，利用某些模型在X→Y和Y→X方向上的证据之间的不对称性。Determination of cause and effect from joint observational data for two time-independent variables, say X ~~and~~ Y~~, has been tackled using asymmetry between evidence for some model in the directions, X → Y and Y → X.~~</~~font~~>~~'''主要的方法基于算法信息理论~~ Algorithmic information theory（AIT）模型和噪声模型 noise models。

+

从联合观测数据中确定两个时间无关变量（例如<math>X</math>和<math>Y</math>）的因果关系，利用某些模型在X→Y</math>和<math>Y→X</math>方向上的证据之间的不对称性。主要的方法基于算法信息理论 Algorithmic information theory（AIT）模型和噪声模型 noise models。

−

===算法信息模型 ~~Algorithmic information models~~===

+

===算法信息模型===

比较两个同时输出 X 和 Y 的程序。

−

* '''~~~~根据未压缩的Y存储Y和X的压缩型 Store Y and a compressed form of X in terms of uncompressed Y.~~~~'''

+

* '''根据未压缩的Y存储Y和X的压缩型 Store Y and a compressed form of X in terms of uncompressed Y.'''

* '''根据未压缩的X存储X和Y的压缩型 Store X and a compressed form of Y in terms of uncompressed X.'''

第52行：第53行： −

===噪音模型 ~~Noise models~~===

+

===噪音模型 ===

在模型中引入一个独立的噪声项，以对比两个方向的证据。下面是一些假设 Y → X 且具有噪声 E 的噪声模型：

思无涯咿呀咿呀

管理员

2,443

个编辑