Я полагаю, быстрый ответ из одного предложения на ваш вопрос,
Когда целесообразно контролировать переменную Y, а когда нет?
является «задним критерием».
Структурно-причинная модель Иудеи Перл может точно сказать, какие переменные являются достаточными (и когда это необходимо) для обусловленности, чтобы вывести причинное влияние одной переменной на другую. А именно, на этот вопрос отвечает критерий «черного хода», который описан на странице 19 этого обзорного документа Pearl.
Главное предостережение заключается в том, что вам необходимо знать причинно-следственную связь между переменными (в форме стрелок на графике). Обойти это невозможно. Это где сложность и возможная субъективность могут вступить в игру. Структурная причинно-следственная модель Перла позволяет вам только знать, как отвечать на правильные вопросы с учетом причинно-следственной модели (т. Е. Ориентированного графика), какой набор причинно-следственных моделей возможен при распределении данных или как искать причинно-следственную структуру, выполняя правильный эксперимент. Он не говорит вам, как найти правильную причинную структуру, учитывая только распределение данных. Фактически, он утверждает, что это невозможно без использования внешних знаний / интуиции о значении переменных.
Критерии «черного хода» можно сформулировать следующим образом:
XY,S
SX
SXY
YX.
S,XY
S,
SS
Это или критерий, в отличие от общего критерия задней двери , которая является и критерий.
Чтобы прояснить критерий «черного хода», он говорит вам о том, что для данной причинно-следственной модели при обусловливании достаточной переменной вы можете узнать причинно-следственную связь из распределения вероятности данных. (Как мы знаем, одного совместного распределения недостаточно для выявления причинно-следственной связи, поскольку множественные причинные структуры могут быть ответственны за одно и то же распределение. Именно поэтому требуется и причинная модель.) Распределение можно оценить с использованием обычных статистических / методы машинного обучения по данным наблюдений. Так что пока вы знаете что причинная структура позволяет обусловливать переменную (или набор переменных), ваша оценка причинного влияния одной переменной на другую так же хороша, как и ваша оценка распределения данных, которые вы получаете статистическими методами.
Вот что мы находим, когда применяем критерий «черного хода» к вашим двум диаграммам:
ZX.YYX,Y
YXZXYYYZ.YY.X.YYYXY
YYXZ.
YX.ZX.
Z←Y→XZ←W→B←A→X. YY B,B,YZ←Y→X
Z←W→B→Y→X. Y Z←Y→XZ←W→B←A→X,B.
YAWXZB.XZB,BAWBAWXZ
Как я упоминал ранее, использование критерия «черного хода» требует, чтобы вы знали причинную модель (то есть «правильную» диаграмму стрелок между переменными). Но Модель Структурной Причинности, на мой взгляд, также дает лучший и наиболее формальный способ поиска такой модели или узнать, когда поиск бесполезен. У него также есть замечательный побочный эффект от устаревания таких терминов, как «путаница», «посредничество» и «ложный» (все, что меня смущает). Просто покажи мне картинку, и я скажу, какие круги нужно контролировать.