277
个编辑
更改
→历史渊源
因果度量是通过科学方法和统计模型推断变量之间的因果关系，并衡量变量之间[[因果效应强]]度的方法。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在数学描述上表现却非常相似，具有相同的基本属性，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。
因果度量是通过科学方法和统计模型推断变量之间的因果关系，并衡量变量之间[[因果效应强度]]的方法。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在数学描述上表现却非常相似，具有相同的基本属性，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<ref name=":1" />，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<ref name=":2" />，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<ref name=":3" /><ref name=":4" />的角度给出了因果关系的定义，原因<math>c</math>成为结果<math>e</math>的原因的一个条件是，在<math>c</math>存在的情况下<math>e</math>的概率必须高于在<math>c</math>不存在的情况下<math>e</math>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<ref name=":5" />。进入21世纪初Giulio Tononi 和 Olaf Sporns 提出[[有效信息|有效信息 (EI)]]的概念<ref name=":6" />，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<ref>Comolatti, R., & Hoel, E. (2022). Causal emergence is widespread across measures of causation. ''arXiv:2202.01854 [physics.soc-ph]''. <nowiki>https://doi.org/10.48550/arXiv.2202.01854</nowiki></ref>中总结了各类因果度量方法中存在的相同基本属性。
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<ref name=":1" />，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<ref name=":2" />，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<ref name=":3" /><ref name=":4" />的角度给出了因果关系的定义，原因<math>c</math>成为结果<math>e</math>的原因的一个条件是，在<math>c</math>存在的情况下<math>e</math>的概率必须高于在<math>c</math>不存在的情况下<math>e</math>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<ref name=":5" />。进入21世纪初Giulio Tononi 和 Olaf Sporns 提出[[有效信息|有效信息 (EI)]]的概念<ref name=":6" />，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<ref>Comolatti, R., & Hoel, E. (2022). Causal emergence is widespread across measures of causation. ''arXiv:2202.01854 [physics.soc-ph]''. <nowiki>https://doi.org/10.48550/arXiv.2202.01854</nowiki></ref>中总结了各类因果度量方法中存在的相同基本属性。
=== 实际因果关系和效果信息 ===
=== 实际因果关系和效果信息 ===
最近，有人提出了一个利用[[信息论]]评估动态因果网络实际因果关系的框架<ref>Larissa Albantakis, William Marshall, Erik Hoel, and Giulio Tononi. What Caused What? A Quantitative Account
of Actual Causation Using Dynamical Causal Networks. ''Entropy'', 21(5):459, May 2019.</ref>。根据这一框架，候选因果必须提高其效应的概率，与未指明因果时的概率相比较（我们再次看到与以前的测量方法相似之处）。中心量是效应信息，其值为：
of Actual Causation Using Dynamical Causal Networks. ''Entropy'', 21(5):459, May 2019.</ref>。根据这一框架，一个候选原因必须使得其结果发生的概率高于在未指定该原因时的结果发生概率。量化指标是效应信息（effect information），用来描述一个事件（原因）对其结果（效果）的信息贡献程度。简单来说，就是衡量一个原因在多大程度上能够增加其结果发生的可能性。如果一个原因能够显著提高某个结果发生的概率，那么我们就可以认为这个原因是有效的。其值为：
<math>ei(c,e)=\log_2\frac{P(e\mid c)}{P(e\mid C)}=\log_2n[det(e,c)-deg(c)]</math>
<math>ei(c,e)=\log_2\frac{P(e\mid c)}{P(e\mid C)}=\log_2n[det(e,c)-deg(c)]</math>
请注意，效果信息实际上只是 CSSuppesII 的对数，这再次表明，随着后来的作者重新发现因果关系的测量方法，效果信息与 CSSuppesII 的对数是一致的。它也是之前在 [8] 中定义的 “有效性 ”的个体过渡贡献。因此，效应信息一方面是概率 Suppes 测量的比特测量版本，另一方面是简并性和确定性之间的非标准化差异。
请注意，效果信息实际上只是<math>C S_{\text {Suppes }_{I I}}</math>的对数，这表明研究者新发现的因果度量方法与已经发现的因果度量方法在数学描述上都具有相似性和一致性。
=== 有效信息（EI） ===
=== 有效信息（EI） ===