更改

添加267字节 、 2022年6月11日 (六) 13:43
无编辑摘要
第10行: 第10行:  
温尼伯大学最近的一项研究表明,青少年过度发短信与(知识)“肤浅”相关。有媒体证实说,发短信使得青少年更加肤浅(从干预角度说,对青少年进行干预,使他们减少发短信的数量,进而不让他们那么“肤浅”)。但是,这个实验没有证明任何事情,既可能是肤浅使青少年发短信更多,也可能是肤浅和短信过多是由一个共同因素引起的,例如基因。如果可能的话,对该基因因素进行干预,即可更好的确定是何种原因导致了该结果。
 
温尼伯大学最近的一项研究表明,青少年过度发短信与(知识)“肤浅”相关。有媒体证实说,发短信使得青少年更加肤浅(从干预角度说,对青少年进行干预,使他们减少发短信的数量,进而不让他们那么“肤浅”)。但是,这个实验没有证明任何事情,既可能是肤浅使青少年发短信更多,也可能是肤浅和短信过多是由一个共同因素引起的,例如基因。如果可能的话,对该基因因素进行干预,即可更好的确定是何种原因导致了该结果。
   −
由此,产生干预模型,通过do演算将因果关系从相关关系中分离出来。<!-- 写到这
+
由此,产生干预模型,通过do演算将因果关系从相关关系中分离出来。
  -->
+
== 解决的问题<!-- 把牙膏例子补充完 --> ==
 
  −
== 解决的问题 ==
   
干预是一种解决问题的方式,对于查询到的基于特定模型提出的问题。人们通常进行实验(干预)来回答。干预措施的形式是固定一个模型中一个变量的值,并观察结果。
 
干预是一种解决问题的方式,对于查询到的基于特定模型提出的问题。人们通常进行实验(干预)来回答。干预措施的形式是固定一个模型中一个变量的值,并观察结果。
   第20行: 第18行:  
实验操作者指出实验明确地调整了牙膏的价格。从图形上看,这阻止了任何原本会影响该变量的因果因素。从图表上看,这清除了所有指向实验变量的因果箭头。
 
实验操作者指出实验明确地调整了牙膏的价格。从图形上看,这阻止了任何原本会影响该变量的因果因素。从图表上看,这清除了所有指向实验变量的因果箭头。
   −
对于一个复杂的问题,可以进行更复杂的查询,其中将 do 运算符(值是固定的)应用于多个变量。
+
对于一个复杂的问题,可以进行更复杂的查询,其中将 do 运算符(值是固定的)应用于多个变量。<!-- 说明do运算符与干预的关系和联系 -->
   −
== 数学演算 ==
+
== 数学演算 ==<!-- 插入一段导言  说明 数学演算 中do算子和do演算与干预的联系 -->
    
=== '''''do''算子''' ===
 
=== '''''do''算子''' ===
第34行: 第32行:  
do演算在进行转换时,利用一种规则集进行表示,这种规则集是完整的(可以用它来派生该系统中的每个真实表达式)。因此可以通过算法进一步确定,对于给定的模型,一个解是否在多项式时间内可计算。
 
do演算在进行转换时,利用一种规则集进行表示,这种规则集是完整的(可以用它来派生该系统中的每个真实表达式)。因此可以通过算法进一步确定,对于给定的模型,一个解是否在多项式时间内可计算。
   −
== ''do''演算规则 ==
+
====''do''演算规则 ====
 
  −
==== Rules ====
   
这个表达式包含了三个涉及 do 运算符的条件概率表达式转换规则。
 
这个表达式包含了三个涉及 do 运算符的条件概率表达式转换规则。
   第82行: 第78行:  
在这个例子中,X和Y之间没有因果路径相连接
 
在这个例子中,X和Y之间没有因果路径相连接
   −
=== 拓展 ===
+
===== 拓展 =====
这些规则并不意味着可以删除任何查询的 do 运算符。在这些情况下,可以用一个受操纵的变量(例如饮食)来代替一个不受操纵的变量(例如血液胆固醇) ,然后这个变量可以被转化去除胆固醇。例子:
+
这些规则并不意味着可以删除任何查询的 do 运算符。在这些情况下,可以用一个受操纵的变量(例如饮食)来代替一个不受操纵的变量(例如血液胆固醇) ,然后这个变量可以被转化去除胆固醇。例子:<!-- 说明具体的这个胆固醇的例子 -->
    
[[文件:Image5.png]]
 
[[文件:Image5.png]]
第90行: 第86行:  
[[文件:因果模型.png|缩略图|342x342像素|图1 干预前|替代=|无]]
 
[[文件:因果模型.png|缩略图|342x342像素|图1 干预前|替代=|无]]
   −
[[文件:图1 干预模型.png|缩略图|344x344像素|图2 干预后|替代=|无]]以图1为例,如果我们要进行干预以降低冰激凌销量(比如,关闭所有冰激凌店),那么我们就去掉所有指向冰激凌销量  的边,并得到如图2所示的图模型。当我们在这个新的图模型中检验相关性时,我们发现犯罪率当然是与冰激凌销量完全独立的,因为冰激凌销量已经与天气温度无关了。换句话说,即使我们将  的值调整为另一个不变的值,这种变化也不会传递给可变的犯罪率  。我们看到,与以某个变量为条件不同,干预一个变量会导致一种完全不同的相关性关系,以某个变量为条件可以完全从数据中获得,但干预却会影响图模型结构的变化。
+
[[文件:图1 干预模型.png|缩略图|344x344像素|图2 干预后|替代=|无]]以图1为例,如果我们要进行干预以降低冰激凌销量(比如,关闭所有冰激凌店),那么我们就去掉所有指向冰激凌销量  的边,并得到如图2所示的图模型。当我们在这个新的图模型中检验相关性时,我们发现犯罪率当然是与冰激凌销量完全独立的,因为冰激凌销量已经与天气温度无关了。换句话说,即使我们将  <!-- 补充 有缺失 -->的值调整为另一个不变的值,这种变化也不会传递给可变的犯罪率  。我们看到,与以某个变量为条件不同,干预一个变量会导致一种完全不同的相关性关系,以某个变量为条件可以完全从数据中获得,但干预却会影响图模型结构的变化。
   −
在符号的表达上,我们使用do算子来表达这种干预。比如,当我们固定Y的值为y时,我们用do(Y=y)来表示这种干预行为。所以P(Z=z|Y=y)表示当以Y=y为条件时Z=z的概率,而P(Z=z|do(Y=y))表示当我们干预Y的值使其为y时,Z=z的概率。从概率分布的角度来说, 表示的是在Y可取的所有值中, Y=y那部分样本对应的Z=z的概率,而P(Z=z|do(Y=y)) 表示的是将每一个样本的Y的值全部固定为y后Z=z的概率。这两者是完全不同的,干预改变了原始数据的分布,而以变量为条件不改变原始数据的分布。
+
在符号的表达上,我们使用do算子来表达这种干预<!-- 将这种关系在前文也阐述一下 -->。比如,当我们固定Y的值为y时,我们用do(Y=y)来表示这种干预行为。所以P(Z=z|Y=y)表示当以Y=y为条件时Z=z的概率,而P(Z=z|do(Y=y))表示当我们干预Y的值使其为y时,Z=z的概率。从概率分布的角度来说, 表示的是在Y可取的所有值中, Y=y那部分样本对应的Z=z的概率,而P(Z=z|do(Y=y)) 表示的是将每一个样本的Y的值全部固定为y后Z=z的概率。这两者是完全不同的,干预改变了原始数据的分布,而以变量为条件不改变原始数据的分布。
 
== 编者推荐 ==
 
== 编者推荐 ==