Causal modelling without introducing counterfactuals or abstract distributions

要約

因果モデリングへの最も一般的なアプローチは、Neyman と Rubin による潜在的な結果のフレームワークです。
この枠組みでは、反事実的な治療の結果は明確に定義されていると想定されます。
この形而上学的な仮定は、問題があるものの不可欠であると考えられることがよくあります。
従来のアプローチは、反事実だけでなく、直接テストできない分布の抽象的な概念や独立性の仮定にも依存しています。
この論文では、因果推論を、すべての仮定が検証可能な有限母集団に対する治療ごとの予測として解釈します。
これは、(基本的な問題を発生させずに) 予測自体をテストできるだけでなく、予測が失敗した場合にエラーの原因を調査できることを意味します。
新しいフレームワークは、因果関係の主張のモデル依存性と、統計的推論と科学的推論の違いを強調しています。

要約(オリジナル)

The most common approach to causal modelling is the potential outcomes framework due to Neyman and Rubin. In this framework, outcomes of counterfactual treatments are assumed to be well-defined. This metaphysical assumption is often thought to be problematic yet indispensable. The conventional approach relies not only on counterfactuals but also on abstract notions of distributions and assumptions of independence that are not directly testable. In this paper, we construe causal inference as treatment-wise predictions for finite populations where all assumptions are testable; this means that one can not only test predictions themselves (without any fundamental problem) but also investigate sources of error when they fail. The new framework highlights the model-dependence of causal claims as well as the difference between statistical and scientific inference.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google