因果回路图
因果回路图Causal Loop Diagram是一种因果图，有助于可视化地显示系统中不同变量之间的相互关系。该图由一组节点和边组成。节点代表变量，边代表两个变量之间的链接或者关系。
标记为正的链接表示正向关系，标为负的链接表示负向关系。正因果链接意味着两个节点在同一方向上发生变化，也就是说，如果链接起始的那个节点减少，则链接的另一个节点也会减少。类似地，如果链接的起始节点增加，则链接的另一个节点也会增加。负因果链接意味着两个节点在相反的方向变化，即，如果链接的起始节点增加，则另一个节点减少，反之亦然。
闭合回路是因果回路图的重要特征。一个闭合回路要么是强化回路Reinforcing Loop，要么是平衡回路Balancing Loop。强化回路中，任何变量发生变化所造成的影响会通过回路进行传播后回到这个变量，并强化这个变量的初始偏差。也就是说，一个变量增长后，强化回路的作用会使得这个变化沿着回路返回给这个变量一个增量，反之亦然。平衡回路中，任何变量发生的变化会沿着回路传播并返回给该变量一个与初始偏差相反的偏差。也就是说，如果一个变量增加，经过平衡回路的作用会使得返回给该变量一个减少值，反之亦然。
如果一个变量在强化回路中发生变化，这种变化的作用会加强初始变化。这种变化的作用会产生另一种强化效果。如果不打破这个回路，系统会陷入循环链式反应的恶性循环中。正是因为这个原因，闭合回路成为了因果回路图的关键特性。
正向强化循环的例子:
- 银行余额将影响已获利息，如顶部从银行余额指向已获利息蓝色箭头所示。
- 由于银行余额的增加会导致已获利息的增加，所以这个链接是正的，用“+”表示。
- 已获利息被添加到银行余额中，这也是一个正链接，由底部的蓝色箭头表示。
- 这些节点之间的因果关系形成了一个正的强化回路，用绿色箭头表示，用“R”表示。[1]
历史
使用节点和箭头构造因果有向图模型的历史可以追溯到Sewall-Wright在1918年提出的路径分析，比系统动力学早很多。然而，由于遗传数据的限制，这些早期的因果图不包含回路——它们是有向无环图。Dennis Meadows博士在一次教育工作者会议上解释了因果回路图，这是因果回路图的第一次正式使用。[2]).
Meadows 解释说，当他和其他人在研究 World3模型(大约在1970-1972年)时，他们意识到在向他人展示结果时，他们无法使用计算机输出来解释反馈回路在模型中的工作方式。他们决定通过用箭头连接反馈循环中主要模型组件的名称来展示反馈循环（不包括库存、流量和每个变量）。这可能是第一次正式使用因果回路图。[3]
正向和负向的因果链接
- 正因果链接 意味着两个节点在同一方向上发生变化，也就是说，如果链接起始的那个节点减少，则链接的另一个节点也会减少。类似地，如果链接的起始节点增加，则链接的另一个节点也会增加。
- 负因果链接 意味着两个节点在相反的方向变化，即，如果链接的起始节点增加，则另一个节点减少，反之亦然。
示例
强化回路还是平衡回路
为了确定一个因果回路是强化的还是平衡的，可以从假设开始，例如“节点1增加”，然后跟踪回路。回路是：
- “增强”的，如果在循环之后，得到的结果与最初的假设相同。
- “平衡”的，如果在循环之后，得到的结果与最初的假设相反。
或者换句话说:
- 强化回路中有偶数个负链接（0也算作是偶数，可以看下面的例子说明）。
- 平衡回路中有奇数个负链接。
识别强化回路和平衡回路是识别参考行为模式（即系统可能的动态行为）的重要步骤。
- 强化回路与指数增长和减少有关。
- 平衡回路与达到平衡稳定有关。
如果系统有延迟(通常是通过在因果链接中绘制短线表示)，则系统可能会发生波动。
示例
请参见
References
- ↑ John D.Sterman, Business Dynamics: Systems Thinking and Modeling for a Complex World. McGraw Hill/Irwin, 2000.
- ↑ http://www.clexchange.org/
- ↑ Anecdote by Richard Turnock attending informal discussion where Dennis Meadows explained origin of CLD
外部链接
- 学习如何阅读因果回路图 公开分享在SystemsAndUs这个网站上。
编者推荐
课程推荐
因果科学与Causal AI读书会
- 如何将因果推理与机器学习相结合，开发可解释人工智能（XAI）算法，是迈向人工智能2.0的关键步骤之一。为此，我们希望可以通过因果推理的专题读书会，来试图找到回答上述问题的答案。集智俱乐部联合智源社区，携手开启了此次因果科学读书会。本次读书会由集智俱乐部社区成员龚鹤扬、高亦斌和郭瑞东等人共同发起，从2020年8月26日到2021年1月2日，共有崔鹏、周晓华等老师同学在内的32位讲者，分享了32个不同的主题，B站人气累积10万+，来自海内外不同高校或者企业的一线科研工作者273名，因果读书会借助集体智慧，在100多天的时间里，撬动了数十万人次的共同参与，形成了一场因果科学风暴！
因果科学与Causal AI 专题 | 集智凯风研读营2020
本课程是集智俱乐部举办的集智凯风研读营的专场录像，由6位研究者分享关于因果科学和 Casual AI 的前沿工作。希望通过大家的分享和讨论，能够让所有人都由浅入深的了解因果推理这个领域和研究内容，并且能对研究工作有所收益。
文章推荐
- 因果表征学习最新综述：连接因果科学与机器学习的桥梁
- 连接统计学、机器学习与自动推理的新兴交叉领域——因果科学读书会再起航
- 因果阶梯与Do-演算：怎样完美地证明吸烟致癌？
- 因果发现：如何让算法成为复杂系统中的“福尔摩斯”？
- PC算法：缺失数据下的因果发现
- 如何在观测数据下进行因果效应评估
- 借助因果推断，更鲁棒的机器学习来了！
- 因果科学怎样改变人工智能和现实世界？| BDSC2020因果推断分会场回顾
- 因果观念新革命？万字长文，解读复杂系统背后的暗因果
- 因果之箭指向何方？| 图灵奖得主珀尔的《为什么》
- 为了研究因果关系，原来科学家在这么多方向上都有尝试
本中文词条由春虫虫参与编译，思无涯咿呀咿呀审校，思无涯咿呀咿呀编辑，欢迎在讨论页面留言。
本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。