В своем вопросе вы утверждаете, что не знаете, что такое «причинно-следственные байесовские сети» и «тесты за чертой».
Предположим, у вас есть причинно-следственная байесовская сеть. То есть ориентированный ациклический граф, узлы которого представляют предложения, а чьи ориентированные ребра представляют потенциальные причинно-следственные связи. У вас может быть много таких сетей для каждой из ваших гипотез. Есть три способа сделать убедительный аргумент о силе или существовании ребра .A →?В
Самый простой способ - это вмешательство. Это то, что предлагают другие ответы, когда говорят, что «правильная рандомизация» решит проблему. Вы случайно заставить иметь разные значения и измерить B . Если вы можете сделать это, вы сделали, но вы не всегда можете сделать это. В вашем примере, может быть неэтично давать людям неэффективное лечение смертельных заболеваний, или они могут иметь какое-то мнение при лечении, например, они могут выбрать менее суровое (лечение B), когда их камни в почках маленькие и менее болезненные.AВ
Второй способ - метод входной двери. Вы хотите , чтобы показать , что действует на B через C , т.е. A → C → B . Если предположить , что C потенциально вызван A , но не имеют никаких других причин, и вы можете измерить , что C коррелируют с A и B коррелируют с C , то можно сделать вывод , доказательства должны быть протекающими через C . Исходный пример: А курит, Б - рак, СAВСA → C→ BСAСAВССAВСэто накопление смолы. Смола может поступать только от курения, и это коррелирует как с курением, так и с раком. Таким образом, курение вызывает рак через смолу (хотя могут быть и другие причины, которые смягчают этот эффект).
Третий способ - метод задней двери. Вы хотите , чтобы показать , что и B не коррелируют из - за «задней двери», например , общее дело, то есть A ← D → B . Так как вы предполагали причинную модель, вы просто должны блокировать все пути (путем наблюдения переменных и кондиционирования на них) , что доказательства могут течь вверх от А и до Б . Это немного сложно, чтобы заблокировать эти пути, но Перл дает четкий алгоритм, который позволяет вам знать, какие переменные вы должны наблюдать, чтобы заблокировать эти пути.AВA ← D → BAВ
Ганг прав, что с хорошей рандомизацией, противники не будут иметь значения. Поскольку мы предполагаем, что вмешательство в гипотетическую причину (лечение) недопустимо, любая распространенная причина между гипотетической причиной (лечение) и следствием (выживание), такая как возраст или размер почечного камня, будет мешающей. Решение состоит в том, чтобы сделать правильные измерения, чтобы заблокировать все задние двери. Для дальнейшего чтения смотрите:
Жемчужина, Иудея. «Причинные диаграммы для эмпирических исследований». Биометрика 82,4 (1995): 669-688.
Чтобы применить это к вашей проблеме, давайте сначала нарисуем причинный график. (Лечение предшествующее) мочекаменного размер и типа лечения Y оба являются причинами успеха Z . X может быть причиной Y, если другие врачи назначают лечение в зависимости от размера почечного камня. Ясно , что не существует других причинно - следственные связи между X , Y и Z . Y идет после X, поэтому оно не может быть его причиной. Аналогично Z приходит после того, как X и Y .ИксYZИксYИксYZYИксZИксY
Поскольку является частой причиной, его следует измерить. Экспериментатор должен определить совокупность переменных и потенциальных причинно-следственных связей . Для каждого эксперимента экспериментатор измеряет необходимые «переменные задней двери», а затем вычисляет распределение предельной вероятности успеха лечения для каждой конфигурации переменных. Для нового пациента вы измеряете переменные и следите за лечением, указанным предельным распределением. Если вы не можете измерить все или у вас нет большого количества данных, но что-то знаете об архитектуре отношений, вы можете выполнить «распространение убеждений» (байесовский вывод) в сети.Икс