Я вивчаю імовірнісні графічні моделі , книгу для самостійного вивчення. Чи ребра в спрямованому ациклічному графіку (DAG) представляють причинно-наслідкові зв’язки?
Що робити, якщо я хочу побудувати байєсівську мережу , але я не впевнений у напрямку стрілок у ній? Усі дані підкажуть мені, що спостерігаються кореляції, а не взаємозв'язки між ними. Я знаю, що я прошу занадто багато, тому що впевнений, що наступні глави будуть вирішувати ці проблеми, але я просто не можу перестати думати про це.
Відповіді:
Багато алгоритмів навчання структури можуть оцінювати лише конкуруючі структури до їх марковських еквівалентів, і в результаті неможливо вивчити унікальну DAG для Байєсової мережі (BN), засновану лише на даних, що робить гіпотезу про причинність сумнівною. Spirtes та ін. назвати це питання як « статистичну нерозрізненість », детально обговорюючи це у своїй книзі.
Я вважаю, що краї в DAG слід інтерпретувати в основному як імовірнісні залежності, які також дають уявлення про причинно-наслідкові зв’язки. Це відповідає точці зору прихильників «причинно-наслідкових» байєсівських мереж (включаючи Іудею Перл), які відстоюють, що розподіл ймовірностей, представлений БН, має основну причинну структуру.
Повідомлення про прийняття додому є, що не існує загальної угоди щодо цього питання. Але я здогадуюсь, точка зору, про яку я ділилася вище, є більш безпечною.
Я малюю спрямований край лише тоді, коли я щасливий вважати, що стосунки є причинними. Це припущення, звичайно, не може бути підтверджене спостережними даними, але формалізуючи набір гіпотезованих причинно-наслідкових зв’язків як DAG, я можу визначити, які змінні слід скоригувати, щоб зробити найкращі можливі причинно-наслідкові умовиводи щодо даного співвідношення на графіку. З моєї точки зору, якщо DAG істинний (великий, якщо, особливо, ациловий біт), то спостережувані зв'язки між змінними повинні виглядати певним чином; але це все-таки повна абстракція, і я не бачу значення цієї абстракції, якщо додати стрілки, які не відображають гіпотезовані причинно-наслідкові зв’язки.
Також неможливо побудувати унікальну мережу Байєса, враховуючи лише дані, оскільки різні поняття можуть призвести до побудови різних графіків.
Хороший ресурс для того, щоб дізнатися більше про це, можна знайти тут .
Як заявив Жубарб, немає загальної згоди з цього питання. Тож я закину ще одну перспективу, яка ще не була висвітлена. Для причинних DAG причинну структуру часто вважають кодованою відсутністю стрілок. У цьому рамках стрілки можуть бути причинними чи ні, але пропущені стрілки повинні бути впевнені або, як відомо, вони не є причинними. Це може не бути широко застосовно до Bayesian Networks, але, оскільки ви почали своє питання в більш загальному плані, я думаю, що це варто відзначити.
Крім того, якщо ви хочете вивчити мережу, вона не зможе вказати вам напрямок стрілок, оскільки асоціація протікає обома способами по стрілках. Ви повинні зробити певні припущення щодо спрямованості або нав'язати якусь інформацію про тимчасове впорядкування.