697
个编辑
更改
→Suppes将因果关系度量为概率提升
因果度量是用于识别和量化变量之间因果联系的方法和技术。不同领域的科学家在选择因果度量方法时可能存在主观偏好，对是否存在因果关系的判定存在主观性。但这些因果度量方法在许多条件下表现却非常相似，对相同的基本属性也非常敏感，并数学上存在相似性或一致性，这些相同的基本属性可以称作 “因果基元”。研究者们不再需要找到一个必须达成普遍共识的唯一因果关系衡量标准，而是可以通过关注这些相同的基本属性继续理解其他因果现象。
==历史渊源==
==历史渊源==
John Locke在他1690年发表的著作《人类理解论》中首次正式提出了因和果的概念：把产生观念的事物叫做原因，把所产生的东西叫做结果。在18世纪David Hume进一步发展了这个概念，提出因果不是事实之间的概念，而是经验之间的习惯性联想。他强调判断因果关系的三条准则：空间邻近性、时间连续性、恒常连结性。20世纪70年代David Lewis推广了David Hume对因果关系的定义，提出了判断因果关系的反事实推理法：“如果原因发生了，结果就会发生；如果原因不发生，结果就不会发生。”和这差不多的时间Ellery Eells和Patrick Suppes等人从概率论的角度给出了因果关系的定义，原因c成为结果e的原因的一个条件是，在c存在的情况下e的概率必须高于在c不存在的情况下e的概率。20世纪末Judea Pearl基于概率论和反事实的概念提出了结构因果模型和潜在结果模型，将因果关系划分为关联、干预、反事实三个层级，使得因果推理更加精确和实用。进入21世纪初Giulio Tononi 和 Olaf Sporns 提出有效信息 (EI)的概念，它可以用来衡量一个马尔科夫动力学的因果效应强度。最近的2022年Erik hoel发表的一篇论文中总结了各类因果度量方法中存在的相同基本属性，发现在大多数因果度量方法中都存在因果涌现。
John Locke在他1690年发表的著作《人类理解论》中首次正式提出了因和果的概念：把产生观念的事物叫做原因，把所产生的东西叫做结果。在18世纪David Hume进一步发展了这个概念，提出因果不是事实之间的概念，而是经验之间的习惯性联想。他强调判断因果关系的三条准则：空间邻近性、时间连续性、恒常连结性。20世纪70年代David Lewis推广了David Hume对因果关系的定义，提出了判断因果关系的反事实推理法：“如果原因发生了，结果就会发生；如果原因不发生，结果就不会发生。”和这差不多的时间Ellery Eells和Patrick Suppes等人从概率论的角度给出了因果关系的定义，原因c成为结果e的原因的一个条件是，在c存在的情况下e的概率必须高于在c不存在的情况下e的概率。20世纪末Judea Pearl基于概率论和反事实的概念提出了结构因果模型和潜在结果模型，将因果关系划分为关联、干预、反事实三个层级，使得因果推理更加精确和实用。进入21世纪初Giulio Tononi 和 Olaf Sporns 提出有效信息 (EI)的概念，它可以用来衡量一个马尔科夫动力学的因果效应强度。最近的2022年Erik hoel发表的一篇论文中总结了各类因果度量方法中存在的相同基本属性，发现在大多数因果度量方法中都存在因果涌现。
<math>CS_{Eells}</math>和<math>CS_{Suppes}</math>测量方法之间的区别在于，从测量<math>c</math>对<math>e</math>的因果必要性（即<math>c</math>是否可以由<math>c</math>以外的其他原因产生）转变为评估产生<math>e</math>的方法的多样性（它衡量的是通过多少种不同的方式可以实现<math>e</math>）。两者都是有效的措施，事实上在某些情况下是等效的<ref>Christopher Hitchcock. Probabilistic Causation. In Edward N. Zalta, editor, T''he Stanford Encyclopedia of Philosophy''.Metaphysics Research Lab, Stanford University, spring 2021 edition, 2018.</ref>。
<math>CS_{Eells}</math>和<math>CS_{Suppes}</math>测量方法之间的区别在于，从测量<math>c</math>对<math>e</math>的因果必要性（即<math>c</math>是否可以由<math>c</math>以外的其他原因产生）转变为评估产生<math>e</math>的方法的多样性（它衡量的是通过多少种不同的方式可以实现<math>e</math>）。两者都是有效的措施，事实上在某些情况下是等效的<ref>Christopher Hitchcock. Probabilistic Causation. In Edward N. Zalta, editor, T''he Stanford Encyclopedia of Philosophy''.Metaphysics Research Lab, Stanford University, spring 2021 edition, 2018.</ref>。
请注意，我们可以把条件概率 <math>P(e\mid C\backslash c)</math>扩展为<math>P(e\mid C)</math>，包括<math>c</math>本身。如果是这样，我们考虑的就不仅仅是在没有<math>c</math>的情况下能否产生<math>e</math>，而是<math>e</math>可能出现的所有方式，包括通过<math>c</math>本身。因此，另一个版本可以定义为：
<math>C S_{\text {Suppes }_{I I}}(c, e)=\frac{P(e \mid c)}{P(e \mid C)}</math>
=== 程氏的因果归因 ===
=== 程氏的因果归因 ===
|
|
|}
|}
==因果基元对因果度量的敏感性==
==总结==
上表中的每一种因果度量方法，两个基元（充分性和必要性）或它们的广义形式（确定性和简并性性）都被明确地置于某种关系中，通常是差异、比率或权衡的关系。唯一缺乏因果基元明确基础的是比特翻转测量，但作为对扰动敏感性的测量，似乎有可能存在某种基础或关系（在这里并没有寻求分解）。我们并不是第一个指出因果关系有两个维度的人，例如，Judea Pearl 就说过： “显然，必须在因果解释的必要成分和充分成分之间取得某种平衡"。J. L. Mackie虽然没有提出因果关系强度的定量衡量标准，但他在提出原因应满足的 INUS 条件时，考虑到了必要性和充分性两个方面，即作为一个条件的（i）充分但（n）必要的部分，而这个条件本身对于一个结果的发生是（u）必要但（s）充分的<ref>J. L. Mackie. Causes and Conditions. ''American Philosophical Quarterly'', 2(4):245–264, 1965. Publisher:University of Illinois Press.</ref>。然而，据我们所知，这是第一次从这个角度对一整套流行的测量方法进行评估，因此我们明确指出：因果关系测量方法的实质性一致性表明，我们应该期望因果关系强度的测量方法以这两种因果关系基元为基础。
本次调查的一个有趣发现是因果关系测量本身的相似性和一致性。概括地说，我们发现因果关系本身并不是一个原始概念，而是可以从两个维度进行分解。这两个维度在哲学文献中被称为充分性和必要性；正如我们所展示的，它们分别是确定性和简并性的具体案例。成功的因果关系测量对这两个维度都很敏感。事实上，正是对这两个维度的敏感性以及它们所捕捉到的不确定性，保证了此类测量方法因果关系出现的可能性。