どの因果関係の理論を知っておくべきですか？

応用統計学者/計量経済学者として、因果関係に対するどの理論的アプローチを知るべきですか？

私は知っています（ほんの少し）

• Neyman-Rubin因果モデル（およびRoy、Haavelmoなど）
• 因果関係に関するパールの研究
• グレンジャー因果関係（ただし、治療志向性は低い）

どのコンセプトを見逃しているか、または知っておくべきですか？

関連：機械学習の因果関係の基礎となる理論はどれですか？

私は、これらの興味深い質問と回答（読んだことが1、2、3）が、私は別の質問だと思います。また、たとえば、「因果関係」が統計学習の要素で言及されていないことに驚いた。

厳密に言えば、「グランジの因果関係」は因果関係ではありません。予測能力/時間の優先順位に関するもので、ある時系列が別の時系列を予測するのに役立つかどうかを確認する必要があります。「通常、AはBが発生する前に発生する」または「AがBの発生を予測するのに役立つことを知っている」などの主張に適しています。 （ただし、その逆ではありません）」（に関する過去のすべての情報を考慮した後でも）。この名前の選択は非常に残念でしたが、それはいくつかの誤解の原因です。$B$

原因が時間内にその効果に先行しなければならないことはほとんど議論の余地はありませんが、時間優先で因果的結論を引き出すには、他の偽関連のソースの中で、交絡がないことを主張する必要があります。

潜在的な結果（Neyman-Rubin）対因果グラフ/構造方程式モデリング（Pearl）に関して、これは誤ったジレンマであり、両方を学ぶ必要があります。

まず、これらが因果関係に関する反対の見解ではないことに注意することが重要です。Pearlが言うように、（因果関係の）推論タスクに関する階層があります：

1. 観測予測
2. 介入下の予測
3. 反事実

最初のタスクでは、観測された変数の共同分布のみを知る必要があります。2番目のタスクでは、共同分布と因果構造を知る必要があります。反事実の最後のタスクでは、構造方程式モデルの機能形式に関する情報がさらに必要になります。

したがって、反事実について話すときは、両方の観点の間に正式な同等性があります。違いは、潜在的な結果はプリミティブとして反事実のステートメントを取り、DAGでは反事実は構造方程式から派生したように見えることです。ただし、それらが「同等」である場合、なぜ両方を学習するのが面倒なのでしょうか。物事を表現し、引き出すための「容易さ」の点で違いがあるからです。

たとえば、潜在的な結果のみを使用してM-Biasの概念を表現してみてください---良い結果は見たことがありません。実際、これまでの私の経験では、グラフを一度も研究したことがない研究者も、グラフを認識していません。また、モデルの実質的な仮定をグラフィカル言語でキャストすると、経験的にテスト可能な意味を導き出し、識別可能性の質問に答えることが計算上簡単になります。一方で、反事実そのものについて最初に直接考え、それをパラメトリックな仮定と組み合わせて非常に具体的なクエリに答える方が簡単な場合があります。

もっと多くのことを言うことができますが、ここでのポイントは、「両方の言語を話す」方法を学ぶ必要があるということです。参照については、ここから開始する方法を確認できます。