因果模型和有向图形模型之间的区别是什么？

Question

因果模型和有向图形模型之间的区别是什么？因果关系和定向概率关系之间的区别是什么？更具体地说，您会在DirectedProbabilisticModel类的接口中放入什么，在CausalModel类中放入什么？其中一个会继承另一个吗？

Answer 1

因果模型有两种类型:干预性模型和反事实模型。所有有向图形模型都可以根据观察结果进行推理。介入模型是一种定向图形模型，可以与观察性和干预性证据进行推理。反事实模型可以用观察性的、干预性的和反事实的证据(其来源是模型内的推断的干预)进行推理。

在几年前的一封私人邮件中，珀尔给我写道：

根据定义，模型是一系列假设，而假设永远不会“已知为真”。它们可能被理论、数据或实验所证实。但他们在等级体系中的位置是由他们声称的东西决定的，而不是他们来自哪里。

Answer 2

朱迪亚·珀尔的“因果关系”是一本值得一读的书。

不同之处在于，一种是，另一种仅仅是。在解雇我成为同义反复俱乐部的一员之前，先听我说完。

有向概率关系(AKA是一组完整的条件概率表，AKA贝叶斯网络)只包含统计信息。这意味着，你可以从联合概率表中推断出的任何东西，你都可以从有向概率关系中推断出来，不多也不少。这两个是等价的。

因果关系完全是另一回事。因果关系(又称因果贝叶斯网络)必须指定在任何变量干预下会发生什么。干预是当一个变量被强制到一个超出模型正常影响的值时。这相当于将强制变量(或变量，但为了简单起见，我们只考虑一个)的条件概率替换为一个新表，其中变量以概率1取其强制值。

如果这不合理，请跟进，我会澄清。

添加此部分是为了在中解决尼尔的问题

尼尔问道：

如何在不执行干预的情况下确定定向概率关系的方向？换句话说，有向图形模型中没有因果信息(即，关于干预的概率信息？)

您可以通过进行其他非统计假设来确定有向概率关系的方向。这些假设通常包括:假设没有隐藏变量，以及真正重要的假设，假设在联合分布中发现的条件独立关系是稳定的(这意味着它们不是偶然或取消的)。贝叶斯网络do 做出这些假设。

有关如何恢复方向的详细信息，请研究IC、PC和IC*算法。我相信IC的具体细节在："A Theory of Inferred Causation"中有所介绍

Answer 3

如果我对this post的理解正确的话，临时模型和有向图形模型(贝叶斯网络)针对工作流程的不同阶段。临时模型是一种分配依赖关系的方法，以便它们反映因果关系。贝叶斯网络为我们提供了推理技术。因此，人们可以使用不同的方法进行估计。另一方面，可以使用与SCM不同的技术对贝叶斯网络进行建模。

如果你深入研究它，请让我们知道，因为我不完全理解SCM的主题(虽然我想:)。