Quelle est la relation entre l'inférence causale et la prédiction?

10

Quelles sont les relations et les différences entre l'inférence causale et la prédiction (à la fois la classification et la régression)?

Dans le contexte de prédiction, nous avons les variables prédicteur / entrée et les variables réponse / sortie. Est-ce à dire qu'il existe une relation causale entre les variables d'entrée et de sortie? Alors, la prédiction appartient-elle à l'inférence causale?

Si je comprends bien, l'inférence causale considère pour estimer la distribution conditionnelle d'une variable aléatoire étant donné une autre variable aléatoire, et utilise souvent des modèles graphiques pour représenter l'indépendance conditionnelle entre les variables aléatoires. Donc, l'inférence causale, en ce sens, n'est pas une prédiction, n'est-ce pas?

prediction causality definition

— Tim
source

1

Avez-vous regardé cette compétition Kaggle? kaggle.com/c/cause-effect-pairs vous pourriez trouver quelque chose d'intéressant

— Simone

1

Cet article parle de la différence: Galit Shmueli, expliquer ou prédire? , Statist. Sci. Volume 25, numéro 3 (2010), 289-310.

— Shu Zhang

5

Inférence causale est axée sur le savoir ce qui se passe à lorsque vous changez . La prédiction se concentre sur la connaissance du prochain donné (et tout ce que vous avez). $Y$ $X$ $Y$ $X$

Habituellement, dans l'inférence causale, vous voulez une estimation non biaisée de l'effet de sur Y. Dans la prédiction, vous êtes souvent plus disposé à accepter un peu de biais si vous et à réduire la variance de votre prédiction. $X$

— utilisateur_générique
source

2

Cette réponse néglige la différence entre les modèles causal et associatif.

— Neil G

1

Eh bien, l'association n'est-elle pas fondamentalement la valeur par défaut? Et le causal ne serait-il pas imbriqué dans l'associationnel? Je n'ai jamais entendu parler de quelqu'un qui ait jamais parlé d'un `` modèle d'association '', sauf peut-être de manière désobligeante dans le cas d'un cas où les effets prétendument causaux étaient confondus.

— generic_user

1

D'accord, je vois votre point de vue que l'association est la valeur par défaut et que les modèles causaux sont "imbriqués" dans le sens où ils sont plus puissants. La question est de savoir quelle est la différence entre un modèle causal et la régression ou la classification (un modèle associatif). Et la principale différence est la suivante: bien que vous puissiez effectuer une régression des causes à leur effet ou des effets à une cause hypothétique; dans un modèle causal, les relations sont dirigées (causes à effets). Ces directions sont nécessaires pour soutenir le raisonnement interventionnel, que les modèles associatifs ne peuvent pas prendre en charge.

— Neil G

5

L'inférence causale nécessite un modèle causal. Un tel modèle peut être utilisé pour inférer (prédire) certaines variables compte tenu des observations et des interventions sur d'autres variables. La régression et la classification n'ont pas une telle exigence causale et n'ont donc rien à voir avec le raisonnement interventionnel.

— Neil G
source