Kauzální inference | AI slovník

Odborná definice

Causal inference je proces odhadování účinku zásahu nebo příčiny na výsledek z experimentálnych či observačných dat při explicitných predpokladoch. Rozlišuje pozorování hodnoty X od intervence do(X), protože asociace sama neurčuje, co se stane po změně. Používá rámec potenciálnych výsledků, štrukturálne kauzální modely, randomizaci, matching, stratifikaci, propensity scores, inštrumentálne proměnné nebo difference in differences. Platnost závěru závisí na identifikace, konzistence, positivity a kontroly confoundingu.

Srozumitelné vysvětlení

Pokud zákazníci, kteří dostali zlavu, nakúpili více, rozdíl nemusí být účinkom zlavy. Obchod mohl zlavu ponúknuť luďom, kteří už měli vysokou pravděpodobnost nákupu. Kauzální inference vytváří porovnání s tím, co by se tím istým nebo porovnatelným zákazníkom stalo bez zásahu. Tento kontrafaktuálny výsledek přímo nepozorujeme, proto potrebujeme randomizaci nebo obhájitelné předpoklady. Výstupem není jen predikce, ale odhad účinku s nejistotou a jasně vymedzenou populací.

Časté otázky

Co je confounder?

Proměnná, která ovlivňuje zásah i výsledek a může vytvořit zavádzajúcu asociaci. Při odhade účinku ji je třeba vhodne kontrolovat, pokud není mediátorom ani colliderom. Nesprávně pridaná proměnná může bias zvýšit místo toho, aby ho odstránila.

Proč je randomizovaný experiment silný?

Randomizace při dostatočnej realizaci vyrovnáva pozorované i nepozorované příčiny mezi skupinami v očakávaní. Rozdíl výsledků potom lze připsat zásahu jednodušší. Stále je třeba řešit nedodržání liečby, ztráty účastníků, interferenci a prenositelnost mimo experimentu.

Co znamená average treatment effect?

Je to průměrný rozdíl mezi potenciálnym výsledkem při zásahu a bez zásahu v určenej populaci. Neříká, že každý jednotlivec reaguje stejně. Při personalizaci se odhadují podmíněné nebo individuálne efekty, které mají obvykle větší nejistotu.

Lze kauzalita dokázat pouze z observačných dat?

Bez predpokladů ne. Observačné data mohou podporit kauzální odhad, když je efekt identifikovatelný podle grafu, dizajnu nebo přirozeného experimentu. Závěr musí uvádět, které nepozorované zkreslení by ho mohlo zvrátit a jak se testovala citlivost.

Jak se liší predikčný a kauzální cíl?

Predikce se ptá, jaký výsledek pravděpodobně nastane při pozorovaných vstupech. Kauzální úloha se ptá, jako by se výsledek změnil po zásahu. Proměnná může výborne predikovat, ale být nevhodným ovládacím prvkem, protože je pouze proxy nebo následok sledovaného javu.

Související pojmy

Zdroje a redakční stopa

Pearl, Causal Inference in Statistics: An Overview Microsoft Research, DoWhy, causal inference framework

Definícia je autorská odborná syntéza. Pri právnych a regulačných rozhodnutiach má prednosť aktuálne oficiálne znenie predpisu a posúdenie konkrétneho prípadu.