O Livro do Porquê: como uma 'revolução causal' está sacudindo a ciência
Uma 'revolução causal' muito necessária chegou ao livro 'The Book of Why' de Judea Pearl. Mas, apesar das grandes melhorias nas 'estatísticas comerciais', há motivo para preocupação com os números que perdem lógica.
Ilustração de Julia Suits, autora de O Catálogo Extraordinário de Invenções Peculiares e do cartunista The New Yorker.1 O livro do porquê traz uma “nova ciência” de causas . Judea Pearl’s causologia elimina graficamente a confusão estatística profunda (mas abstrações que ocultam a heterogeneidade e números que perdem a lógica estão à espreita).
2. Pearl atualiza a sabedoria antiga de correlação-não-causalidade com 'questões causais nunca podem ser respondidas a partir de dados sozinho . ” Desculpe, fãs de Big Data (e I.A.): “Sem causas, não causa para fora ”(Nancy Cartwright).
3. Porque muitos processos causais podem produzir o mesmo dados / estatísticas , é evolutivamente adequado que 'a maior parte do conhecimento humano seja organizada em torno de causalidade, não probabilística relacionamentos . ” Crucialmente, Pearl entende que 'a gramática da probabilidade [e estatísticas] ... é insuficiente . '
4. Mas as estatísticas comerciais não são causais “sem modelo, ”Impõe implicitamente modelos de“ salada causal ”- fatores independentes, confusos, efeitos aditivos simples (amplamente presumido de método e ferramenta ... muitas vezes totalmente irrealista).
5. 'Causal revolução ”Métodos permitem uma lógica mais rica do que permite a sintaxe trad-stats (por exemplo, estrutura causal com linhas de setadiagramasrealçar não direcional álgebra).
6. Paradoxalmente, números aparentemente precisos podem gerar forças que confundem a lógica. Os lembretes a seguir podem contrariar os números perdedores de lógica produzidos por método mecânico.
7. As causas das alterações em X não precisam ser as causas de X. Isso geralmente é óbvio em casos de causalidade conhecida (pílulas que reduzem o colesterol não são a causa), mas rotineiramente ofuscado na pesquisa de análise de variância. A correlação das porcentagens de variação com o fator Y muitas vezes não 'explica' o papel de Y (+ ver 'risco de freio vermelho'). E a escolha do fator de estatísticas pode reverter efeitos (John Ioannidis).
8. O treinamento de análise de variância incentiva erros de cálculo de falácia de divisão. Muitos fenômenos são co-causados por emergência e resistem a uma decomposição significativa. Qual% da velocidade do carro é 'causada' pelo motor ou combustível? Qual% da bateria é “causada” pelo baterista ou baterista? Qual% da sopa é “causada” por sua receita?
9. Semelhante a mal-entendidos de significância estatística generalizada, fraseado frouxo como 'controle para' e 'mantido constante ”Estimula manipulações matemáticas plausíveis, mas impossíveis na prática (~“ distorção de rigor ”).
10. Muitos fenômenos não são 'tipos naturais' causalmente monolíticos. Eles fogem de categorias clássicas de lógica causal como 'necessário esuficiente, ”Exibindo causa“ desnecessária e suficiente ”. Eles são sacos mistos de multi-etiologia / rota / receita (ver 10.377 caminhos de Eiko Fried para Major Depressão )
11. Tipos mistos significam riscos de embaralhamento de estatísticas: estatísticas de maçãs com laranjas infrutíferas, como humanos comuns, têm 1 testículo + 1 ovário.
12. Pearl teme trad-stats-centric intoxicado pela probabilidade o pensamento esconde sua estática, enquanto as abordagens orientadas para a causa iluminam a mudança cenários . A causalidade sempre supera as estatísticas (que codificam casos não inovadores). Regras de composição causal conhecidas (a sintaxe do seu sistema) tornam novos casos (desafiadores de estatísticas) solucionáveis.
13. As ferramentas de 'revolução causal' superam os limites severos das estatísticas de comércio, mas mantêm os riscos da pressa para os números (tudo que é relevante pode ser espremido emcoeficientes de caminho?) e abstrações de mistura de tipos (por exemplo, as linhas do diagrama de Pearl os tratam de forma equivalente, mas faz com que funcionem de forma diferente na física versus sistemas sociais).
14. “Causa” é um conceito de mala , exigindo um vocabulário de papel causal mais rico. Lembre-se de Aristóteles tipos de causa - material, formal, próximo, final. Sua distinção qualitativa garante incomparabilidade quantitativa. Eles resistem à compactação em um único número (idem, os papéis que estendiam Aristóteles necessários).
15. A distância causal sempre conta. Incógnitas de etapa intermediária significam lógica / números duvidosos (por exemplo, os genes normalmente exercem muitas etapas causais removidas altamente co-causais efeitos )
16. Sempre pergunte: Uma única estrutura causal é garantida? Ou estabilidade casual? Ou fechamento causal próximo o suficiente? Os componentes do sistema são (aproximadamente) mono-responsivos?
17. Os profissionais qualificados respeitam os limites de suas ferramentas. Um kit de ferramentas de raciocínio de máximas regras práticas combinadas com o contexto pode se opor a métodos rotineiros e números que perdem a lógica que ocultam a heterogeneidade.
Compartilhar:
