Qual é a relação entre inferência causal e predição?

10

Quais são as relações e as diferenças entre inferência e predição causais (classificação e regressão)?

No contexto de previsão, temos as variáveis preditoras / entradas e variáveis resposta / saída. Isso significa que existe uma relação causal entre as variáveis de entrada e saída? Então, a previsão pertence à inferência causal?

Se bem entendi, a inferência causal considera estimar a distribuição condicional de uma variável aleatória, dada outra variável aleatória, e geralmente usa modelos gráficos para representar a independência condicional entre variáveis aleatórias. Então, inferência causal, nesse sentido, não é previsão, é?

prediction causality definition

— Tim
fonte

11

Você já deu uma olhada nesta competição do Kaggle? kaggle.com/c/cause-effect-pairs que você pode encontrar algo interessante

— Simone

11

Este artigo fala sobre a diferença: Galit Shmueli, Para explicar ou prever? Statist. Sci. Volume 25, Número 3 (2010), 289-310.

— Shu Zhang

5

Causal inferência está focado em saber o que acontece com quando você mudar . A previsão é focada em conhecer o próximo dado (e o que mais você tiver). $Y$ $X$ $Y$ $X$

Geralmente, na inferência causal, você deseja uma estimativa imparcial do efeito de em Y. Na previsão, muitas vezes você está mais disposto a aceitar um pouco de viés se reduzir a variação de sua previsão. $X$

— generic_user
fonte

2

Essa resposta negligencia a diferença entre modelos causais e associativos.

— 21414 Neil G

11

Bem, não é associativo basicamente o padrão? E o causal não seria aninhado dentro do associativo? Nunca ouvi alguém falar sobre um "modelo associativo", exceto talvez depreciativamente no caso de um onde os efeitos supostamente causais foram confundidos.

— 31514 java

11

Ok, entendo que o associativo é o padrão e que os modelos causais são "aninhados" no sentido de serem mais poderosos. A questão é qual é a diferença entre um modelo causal e regressão ou classificação (um modelo associativo). E a principal diferença é que: embora você possa fazer regressão de causas para seus efeitos, ou de efeitos para alguma causa hipotética; em um modelo causal, os relacionamentos são direcionados (causas aos efeitos). Essas instruções são necessárias para apoiar o raciocínio intervencionista, que os modelos associativos não podem suportar.

— 30514 Neil G

5

A inferência causal requer um modelo causal. Esse modelo pode ser usado para inferir (prever) algumas variáveis, dadas observações e intervenções em outras variáveis. Regressão e classificação não têm esse requisito causal e, portanto, nada têm a ver com o raciocínio intervencionista.

— Neil G
fonte