Академия наук

Причинно-наслідковий зв’язок в статистиці

Автор: Ворона Максим Віталійович, бакалавр комп. наук, Національний технічний університет України «Київський політехнічний інститут»

Мета стандартного статистичного аналізу, що поєднує регресивні техніки, оцінки та методології перевірки гіпотез - це оцінити параметри розподілу на основі вибірок, взятих з цього розподілу. За допомогою досліджених параметрів можливо визначити асоціації між змінними, оцінити імовірності подій, які мають відбутися або вже відбулися. А також скоригувати ці імовірності на основі нових вимірювань. Ці завдання успішно виконуються стандартним статистичним аналізом, якщо експериментальні умови залишаються сталими.

Причинно-наслідковий аналіз робить наступний крок, його мета – не тільки визначення імовірностей при заданих умовах, а також аналіз динаміки імовірностей при зміні умов, що відбулися внаслідок зовнішнього впливу. Ця відмінність показує, що причинно-наслідкова та асоціативна концепції не змішуються.

Як приклад, з розподілу симптомів і хвороб не можна сказати, що вилікувавши конкретні симптоми можна вилікувати конкретну хворобу. Більш загально, в функції розподілу нема нічого, що сказало б, що розподіл зміниться якщо зміняться зовнішні умови. Це пояснюється тим, що закони імовірнісної теорії не надають інформації про те як певні параметри розподілу мають змінитися, якщо інші параметри будуть змінені. Ця інформація має бути виведена з причинно-наслідкових зв’язків, які встановлюють взаємозв’язки, що залишаються незмінними навіть при зміні зовнішніх умов. Інакше кажучи, кореляція між двома величинами не означає, що якась із них є причиною іншої.

Зручний та легкий для застосування метод для розрізнення асоціативного та причинно-наслідкового концептів може бути сформульований так: асоціативний концепт – це будь-який зв’язок, що може бути визначений в рамках багатомірного розподілу спостережуваних величин, а причинно-наслідковий концепт – це зв’язок, що не може бути визначений лише на основі розподілу. Приклади асоціативних концептів: кореляція, регресія, залежність, умовна незалежність, подібність, оцінка спроможності, рівень ризику, і т.д. Прикладами причинно-наслідкового зв’язку є: рандомізація, вплив, ефект, змінна змішаної залежності, помилка, хибна залежність, інструментальні змінні, атрибутивність і т. д.

Цей метод розрізнення важливий в причинно-наслідковому аналізі, бо він допомагає дослідникам відслідкувати припущення, що необхідні для обґрунтування різних типів висунутих тверджень. Кожне твердження, що включає причинно-наслідкові концепти має покладатися на якісь передумови, що включають такі концепти, вони не можуть бути побачені, або навіть визначені в рамках виключно термінів асоціативності в статистиці.

Традиційна статистика потужна, коли йдеться про методи опису даних та виведення параметрів розподілу з вибірки. Причинно-наслідкові виводи включають два додаткові інгредієнти: наукова мова для запису причинно-наслідкових знань та математичний апарат для обробки цих знань, поєднуючи їх з інформацією та роблячи нові причинно-наслідкові висновки щодо досліджуваного феномену.

Існує велика необхідність у виводі припущень щодо причинно-наслідкових ефектів в неідеальній виборці даних. Зазвичай такі припущення представляються у вигляді діаграми або графу, де змінні зображені як вузли а відносини між ними – як ребра. Найпростіший та найбільш вживаний клас причинно-наслідкових діаграм – це напрямлений ациклічний граф. Такий граф використовується не тільки для зображення припущень, але також щоб показати, які змінні були обрані для причинно-наслідкового аналізу.

На сьогоднішній день теорія причинно-наслідкової статистики включає в себе непараметричні структурні рівняння, теорію формулювання причинно-наслідкових припущень, перевірку визначності, а також означення нових термінів. Алгебраїчні компоненти структурної мови співпадають такими в підході «потенціал-вихід», а графічні компоненти охоплюють метод діаграм Райта. Уніфіковані і синтезовані, вказані компоненти пропонують потужну і комплексну методологію емпіричного дослідження.

Література:

1. Cox, D. and Wermuth, N. (2004). Causality: A statistical view. International Statistical Review 72 285–305.
2. Heckman, J. and Vytlacil, E. (2005). Structural equations, treatment effects and econometric policy evaluation. Econometrica 73 669–738.
3. Heckman, J. (2008). Econometric causality. International Statistical Review 76 1–27.
4. Lindley, D. (2002). Seeing and doing: The concept of causation. International Statistical Review 70 191–214.