有向非巡回グラフのエッジは因果関係を表していますか？

私は、自習用の本である確率的グラフィカルモデルを研究しています。有向非巡回グラフ（DAG）のエッジは因果関係を表しますか？

ベイジアンネットワークを構築したいのですが、その中の矢印の方向がわかりませんか？すべてのデータは、それらの相互リンクではなく、観測された相関関係を教えてくれます。次の章がこれらの問題に対処することを確信しているので、私は私があまりにも多くを求めていることを知っていますが、それについて考えることをやめられないというだけです。

多くの構造学習アルゴリズムは、マルコフ等価まで競合する構造のみをスコアリングできるため、結果としてデータのみに基づいてベイジアンネットワーク（BN）の一意のDAGを学習することはできません。スピルツ等。この問題を「統計的識別不能」と呼び、本で詳しく説明しています。

私は、DAGのエッジは主に因果関係への洞察を与える確率的依存関係として主に解釈されるべきであると考えています。これは、BNで表される確率分布が根本的な因果構造を持っていることを擁護する「因果」ベイジアンネットワーク（ユダヤパールを含む）の支持者の視点に沿っています。

持ち帰りのメッセージは、この問題に関する包括的な合意は存在しないということです。しかし、私が上で共有した視点はより安全なものだと思います。

関係が因果関係にあると思って満足している場合にのみ、有向エッジを描きます。もちろん、この仮定は観測データによって検証することはできませんが、DAGとして仮定された因果関係のセットを定式化することで、グラフ内の特定の関係について可能な限り最良の因果推論を行うために調整する変数を特定できます。私の観点からすると、DAGが真（特にifが大きい場合）は、変数間の観察された関係が特定の方法で見えるはずです。しかし、それはまだ完全な抽象化であり、仮定された因果関係を反映しない矢印を追加した場合、その抽象化の価値はわかりません。

$A\rightarrow B$$A$$B$

また、異なる概念が異なるグラフの構築につながる可能性があるため、データだけを考えると、一意のベイズネットワークを構築することは不可能です。

これについて詳しく知るには、こちらのリソースをご覧ください。

ジュバーブが言ったように、この問題に関して包括的な合意はありません。そのため、まだ説明されていないもう1つの視点を紹介します。因果的DAGの場合、因果構造は多くの場合、矢印がないことによってエンコードされていると見なされます。このフレームワークの下では、矢印は因果関係がある場合とそうでない場合がありますが、欠落している矢印は因果関係がないことを強く信じるか、知られている必要があります。これは、ベイジアンネットワークに広く適用できるわけではありませんが、より一般的に質問を始めたので、注意する価値があると思います。

また、ネットワークを学習したい場合、矢印に沿って関連付けが双方向に流れるため、矢印の方向を伝えることはできません。方向性についていくつかの仮定を行うか、一時的な順序付けに関する情報を課す必要があります。