Apakah tepi dalam grafik asiklik diarahkan mewakili kausalitas?

Saya belajar Model Grafis Probabilistik , sebuah buku untuk belajar mandiri. Apakah tepi dalam grafik asiklik terarah (DAG) mewakili hubungan sebab akibat?

Bagaimana jika saya ingin membangun jaringan Bayesian , tetapi saya tidak yakin tentang arah panah di dalamnya? Semua data akan memberi tahu saya adalah korelasi yang diamati, bukan keterkaitan di antara mereka. Saya tahu saya terlalu banyak bertanya, karena saya yakin bab berikut akan membahas masalah ini, tetapi hanya saja saya tidak bisa berhenti memikirkannya.

Banyak algoritma pembelajaran struktur hanya dapat skor struktur bersaing hingga kesetaraan Markov mereka dan sebagai akibatnya tidak mungkin untuk mempelajari DAG unik untuk Bayesian Network (BN) hanya berdasarkan data, yang membuat hipotesis kausalitas dipertanyakan. Spirtes et al. istilahkan masalah ini sebagai " statistik tidak bisa dibedakan ", mendiskusikannya secara panjang lebar dalam buku mereka.

Saya berpendapat bahwa tepi-tepi dalam DAG terutama harus ditafsirkan sebagai dependensi probabilistik yang juga memberikan wawasan ke dalam hubungan sebab akibat. Ini sejalan dengan sudut pandang para pendukung Jaringan Bayesian 'kausal' (termasuk Mutiara Judea) yang membela bahwa distribusi probabilitas yang diwakili oleh BN memiliki struktur sebab-akibat yang mendasarinya.

Pesan yang dibawa pulang adalah, tidak ada kesepakatan menyeluruh tentang masalah ini. Tapi saya kira sudut pandang yang saya bagikan di atas adalah lebih aman.

Saya hanya menggambar tepi terarah jika saya senang menganggap hubungan itu kausal. Asumsi ini tentu saja tidak dapat diverifikasi oleh data pengamatan, tetapi dengan memformalkan satu set hubungan kausal yang dihipotesiskan sebagai DAG, saya dapat mengidentifikasi variabel mana yang harus disesuaikan untuk membuat kesimpulan kausal sebaik mungkin tentang hubungan yang diberikan dalam grafik. Dari sudut pandang saya, jika DAG benar (besar jika, terutama bit acylic) maka hubungan yang diamati antara variabel harus terlihat dengan cara tertentu; tetapi ini masih merupakan absraksi total, dan saya tidak melihat nilai dari abstraksi itu jika Anda menambahkan panah yang tidak mencerminkan hubungan kausal yang dihipotesiskan.

Ya, tepi dalam DAG mewakili hubungan sebab akibat. Pertimbangkan tepi yang berlangsung dari , ini berarti bahwa 'penyebab' .A $A\rightarrow B$$A$$B$

Juga tidak mungkin untuk membangun jaringan Bayes yang unik, hanya dengan memberikan data karena gagasan yang berbeda dapat menyebabkan pembuatan grafik yang berbeda.

Sumber yang bagus untuk mempelajari lebih lanjut tentang ini dapat ditemukan di sini .

Seperti kata Zhubarb, tidak ada kesepakatan menyeluruh tentang masalah ini. Jadi, saya akan melemparkan satu perspektif lagi yang belum dibahas. Untuk DAG kausal, struktur kausal sering dianggap dikodekan oleh tidak adanya panah. Di bawah kerangka kerja ini, anak panah bisa jadi kausal atau tidak, tetapi panah yang hilang harus sangat dipercaya atau diketahui bukan kausal. Ini mungkin tidak berlaku secara luas untuk Bayesian Networks, tetapi karena Anda memulai pertanyaan Anda secara lebih umum, saya pikir itu perlu diperhatikan.

Juga, jika Anda ingin mempelajari jaringan, itu tidak akan dapat memberi tahu Anda arah panah, karena asosiasi mengalir kedua arah di sepanjang panah. Anda harus membuat beberapa asumsi tentang directionality atau memaksakan beberapa informasi tentang pemesanan temporal.