النموذج السببي

في الميتافيزيقا والإحصاء ، يُعد النموذج السببي (ويُسمى أيضًا النموذج السببي البنيوي ) نموذجًا مفاهيميًا يُمثل الآليات السببية لنظام ما . ^{[ 2 ]} غالبًا ما تستخدم النماذج السببية رموزًا سببية رسمية ، مثل نمذجة المعادلات الهيكلية أو الرسوم البيانية السببية الموجهة غير الدورية (DAGs) ، لوصف العلاقات بين المتغيرات وتوجيه الاستدلال.

من خلال توضيح المتغيرات التي ينبغي تضمينها أو استبعادها أو ضبطها، يمكن للنماذج السببية تحسين تصميم الدراسات التجريبية وتفسير النتائج. ^{[ 3 ]} كما يمكنها تمكين الباحثين من الإجابة عن بعض الأسئلة السببية باستخدام البيانات الرصدية ، مما يقلل الحاجة إلى الدراسات التدخلية مثل التجارب المعشاة ذات الشواهد .

في الحالات التي تكون فيها التجارب العشوائية غير عملية أو غير أخلاقية - على سبيل المثال، عند دراسة آثار التعرضات البيئية أو المحددات الاجتماعية للصحة - توفر النماذج السببية إطارًا لاستخلاص استنتاجات صحيحة من البيانات غير التجريبية. ^{[ 4 ]}

يمكن أن تساعد النماذج السببية في الإجابة على سؤال الصلاحية الخارجية (أي ما إذا كانت نتائج دراسة ما تنطبق على فئات سكانية لم تُدرس من قبل). كما تتيح هذه النماذج دمج البيانات من دراسات متعددة (في ظروف معينة) للإجابة على أسئلة لا يمكن الإجابة عليها باستخدام أي مجموعة بيانات منفردة.

وجدت النماذج السببية تطبيقات في معالجة الإشارات ، وعلم الأوبئة ، والتعلم الآلي ، ^{[ 2 ]} والدراسات الثقافية، والتخطيط الحضري، ويمكنها وصف العمليات الخطية وغير الخطية على حد سواء. ^{[ 5 ]}

تعريف

النماذج السببية هي نماذج رياضية تمثل العلاقات السببية داخل نظام فردي أو مجموعة سكانية. وهي تُسهّل استخلاص الاستنتاجات حول العلاقات السببية من البيانات الإحصائية. ويمكنها أن تُعلّمنا الكثير عن نظرية المعرفة السببية، وعن العلاقة بين السببية والاحتمال. كما طُبّقت هذه النماذج على مواضيع تهم الفلاسفة، مثل منطق الافتراضات المضادة للواقع، ونظرية القرار، وتحليل السببية الفعلية. ^{[ 6 ]}

— موسوعة ستانفورد للفلسفة

تُعرّف جوديا بيرل النموذج السببي بأنه ثلاثية مرتبة $\langle U,V,E\rangle$ ، حيث U هي مجموعة من المتغيرات الخارجية التي يتم تحديد قيمها بواسطة عوامل خارج النموذج؛ V هي مجموعة من المتغيرات الداخلية التي يتم تحديد قيمها بواسطة عوامل داخل النموذج؛ و E هي مجموعة من المعادلات الهيكلية التي تعبر عن قيمة كل متغير داخلي كدالة لقيم المتغيرات الأخرى في U و V. ^{[ 2 ]}

تاريخ

وضع أرسطو تصنيفًا للعلاقات السببية، يشمل الأسباب المادية، والصورية، والفاعلة، والغاية. رفض هيوم تصنيف أرسطو لصالح الافتراضات المضادة للواقع . في مرحلة ما، أنكر أن للأشياء "قوى" تجعل أحدها سببًا والآخر نتيجة. لاحقًا، تبنى مبدأ "لو لم يكن الشيء الأول موجودًا، لما وُجد الثاني أبدًا" ( السببية القائمة على " الاستثناء"). ^{[ 7 ]}

في أواخر القرن التاسع عشر، بدأ علم الإحصاء في التشكّل. بعد جهد استمر لسنوات لتحديد القواعد السببية لمجالات مثل الوراثة البيولوجية، قدّم غالتون مفهوم الانحدار المتوسط (الذي يتجسد في تراجع مستوى الطلاب في السنة الثانية في الرياضة) والذي قاده لاحقًا إلى المفهوم غير السببي للارتباط . ^{[ 7 ]}

بصفته من أنصار المذهب الوضعي ، استبعد بيرسون مفهوم السببية من معظم العلوم باعتباره حالة خاصة غير قابلة للإثبات من الارتباط، وقدم معامل الارتباط كمقياس للارتباط. وكتب: "القوة كسبب للحركة هي نفسها إله الشجرة كسبب للنمو"، وأن السببية ليست سوى "صنم ضمن أسرار العلوم الحديثة الغامضة". أسس بيرسون شركة Biometrika ومختبر القياسات الحيوية في جامعة كوليدج لندن ، والذي أصبح رائدًا عالميًا في مجال الإحصاء. ^{[ 7 ]}

في عام 1908، حل هاردي وواينبرغ مشكلة استقرار الصفات التي دفعت غالتون إلى التخلي عن السببية، وذلك من خلال إحياء الوراثة المندلية . ^[⁷^]

في عام 1921، أصبح تحليل المسار الذي وضعه رايت بمثابة الأساس النظري للنمذجة السببية والرسوم البيانية السببية . ^[⁸^] وقد طور هذا النهج أثناء محاولته فهم التأثيرات النسبية للوراثة والتطور والبيئة على أنماط فراء خنازير غينيا . ودعم ادعاءاته التي كانت تُعتبر آنذاك هرطقة، من خلال توضيح كيف يمكن لهذه التحليلات أن تفسر العلاقة بين وزن خنازير غينيا عند الولادة ، ومدة الحمل ، وحجم النسل. وقد أدى معارضة هذه الأفكار من قبل إحصائيين بارزين إلى تجاهلها على مدى الأربعين عامًا التالية (باستثناء مربي الحيوانات). وبدلاً من ذلك، اعتمد العلماء على الارتباطات، جزئيًا بناءً على طلب من ناقد رايت (وأحد أبرز الإحصائيين)، فيشر . ^[⁷^] وكانت بيركس استثناءً من ذلك ، وهي طالبة كانت في عام 1926 أول من طبق مخططات المسار لتمثيل تأثير وسيط ( المتغير الوسيط ) وأكدت أن تثبيت قيمة المتغير الوسيط يؤدي إلى أخطاء. وربما تكون قد ابتكرت مخططات المسار بشكل مستقل. ^[⁷^]^:³⁰⁴

في عام 1923، قدم نيمان مفهوم النتيجة المحتملة، لكن بحثه لم يُترجم من البولندية إلى الإنجليزية حتى عام 1990. ^{[ 7 ]}^{: 271}

في عام 1958، حذر كوكس من أن التحكم في المتغير Z لا يكون صحيحًا إلا إذا كان من غير المرجح أن يتأثر بالمتغيرات المستقلة. ^{[ 7 ]}^{: 154}

في ستينيات القرن العشرين، أعاد دنكان وبلالوك وغولدبيرغر وآخرون اكتشاف تحليل المسار. أثناء قراءة دنكان لأعمال بلالوك حول مخططات المسار، تذكر محاضرة ألقاها أوغبورن قبل عشرين عامًا، والتي أشارت إلى ورقة بحثية لرايت، والتي بدورها أشارت إلى بيركس. ^[⁷^]^:³⁰⁸

أطلق علماء الاجتماع في البداية على النماذج السببية اسم نمذجة المعادلات الهيكلية ، ولكن بمجرد أن أصبحت طريقة روتينية، فقدت جدواها، مما دفع بعض الممارسين إلى رفض أي علاقة بالسببية. تبنى الاقتصاديون الجزء الجبري من تحليل المسار، وأطلقوا عليه اسم نمذجة المعادلات الآنية. ومع ذلك، لا يزال الاقتصاديون يتجنبون إضفاء معنى سببي على معادلاتهم. ^{[ 7 ]}

بعد ستين عامًا من نشر بحثه الأول، نشر رايت مقالًا أعاد فيه صياغة البحث، وذلك في أعقاب نقد كارلين وآخرين، الذين اعترضوا على أنه تناول العلاقات الخطية فقط، وأن العروض القوية للبيانات الخالية من النماذج كانت أكثر كشفًا. ^{[ 7 ]}

في عام 1973، دعا لويس إلى استبدال الارتباط بالسببية القائمة على "لولا" (الافتراضات المضادة للواقع). وأشار إلى قدرة الإنسان على تصور عوالم بديلة يحدث فيها سبب ما أو لا يحدث، ويظهر فيها أثر ما فقط بعد حدوث سببه. ^{[ 7 ]}^{: 266.} وفي عام 1974، قدم روبين مفهوم "النتائج المحتملة" كلغة لطرح أسئلة سببية. ^{[ 7 ]}^{: 269}

في عام 1983، اقترح كارترايت أن أي عامل "ذي صلة سببية" بتأثير ما يجب أن يخضع لشروط معينة، متجاوزًا بذلك الاحتمال البسيط باعتباره الدليل الوحيد. ^{[ 7 ]}^{: 48}

في عام 1986، قدّم بارون وكيني مبادئ للكشف عن الوساطة وتقييمها في نظام المعادلات الخطية . وبحلول عام 2014، كانت ورقتهم البحثية تحتل المرتبة 33 من حيث عدد الاستشهادات على مر التاريخ. [7]: 324. في ذلك العام، قدّم غرينلاند وروبينز ^{منهج " التبادلية}^{" للتعامل} مع المتغيرات المربكة من خلال النظر في سيناريو افتراضي. واقترحا تقييم ما كان سيحدث لمجموعة العلاج لو لم تتلقَّ العلاج، ومقارنة تلك النتيجة بنتيجة المجموعة الضابطة. إذا تطابقت النتائج، يُقال إن المتغيرات المربكة غائبة. ^[⁷^]^:¹⁵⁴

سلم السببية

يتضمن نموذج بيرل السببي تجريدًا ثلاثي المستويات يُطلق عليه اسم سلم السببية. المستوى الأدنى، وهو الارتباط (الرؤية/الملاحظة)، ينطوي على استشعار الانتظامات أو الأنماط في البيانات المدخلة، والتي تُعبَّر عنها بالارتباطات. المستوى الأوسط، وهو التدخل (الفعل)، يتنبأ بآثار الأفعال المتعمدة، والتي تُعبَّر عنها بالعلاقات السببية. المستوى الأعلى، وهو الافتراضات المضادة للواقع (التخيل)، ينطوي على بناء نظرية (لجزء من) العالم تُفسِّر سبب وجود آثار محددة لأفعال معينة، وما يحدث في غياب هذه الأفعال. ^{[ 7 ]}

منظمة

يرتبط شيء بآخر إذا أدى رصد أحدهما إلى تغيير احتمالية رصد الآخر. مثال: المتسوقون الذين يشترون معجون الأسنان هم أكثر عرضة لشراء خيط تنظيف الأسنان أيضًا . رياضيًا:

P(\mathrm {floss} |\mathrm {معجون الأسنان} )

أو احتمال شراء خيط تنظيف الأسنان عند شراء معجون الأسنان. ويمكن قياس الارتباطات أيضًا عن طريق حساب معامل الارتباط بين الحدثين. لا تحمل الارتباطات أي دلالات سببية. فقد يتسبب أحد الحدثين في الآخر، أو العكس، أو قد يكون كلا الحدثين ناتجًا عن حدث ثالث (كأن يقوم أخصائي صحة أسنان غير راضٍ بإحراج المتسوق لحمله على تحسين صحة فمه). ^{[ 7 ]}

تدخل

يؤكد هذا المستوى على وجود علاقات سببية محددة بين الأحداث. ويتم تقييم السببية من خلال إجراء تجريبي يؤثر على أحد الأحداث. مثال: بعد مضاعفة سعر معجون الأسنان، ما هو احتمال الشراء الجديد؟ لا يمكن إثبات السببية بدراسة تاريخ تغيرات الأسعار، لأن تغير السعر قد يكون لسبب آخر قد يؤثر بدوره على الحدث الثاني (كفرض تعريفة جمركية تزيد سعر كلا السلعتين). رياضياً:

P(\mathrm {floss} |do(\mathrm {toothpaste} ))

يُستخدم الأمر "do" للإشارة إلى التدخل التجريبي (مضاعفة السعر). ^{[ 7 ]} يشير هذا الأمر إلى إجراء الحد الأدنى من التغيير اللازم في العالم لتحقيق التأثير المطلوب، وهو أشبه بـ"عملية جراحية مصغرة" على النموذج مع أقل قدر ممكن من التغيير عن الواقع. ^{[ 9 ]}

الافتراضات المضادة للواقع

أما المستوى الأعلى، وهو المستوى الافتراضي، فيتضمن النظر في نسخة بديلة لحدث ماضٍ، أو ما كان سيحدث في ظل ظروف مختلفة لنفس الوحدة التجريبية. على سبيل المثال، ما هو احتمال أن يقوم المتسوق الذي يشتري معجون الأسنان بشراء خيط تنظيف الأسنان إذا ضاعف المتجر سعره؟

P(\mathrm {floss} |\mathrm {toothpaste} ,2*\mathrm {price} )

يمكن أن تشير الافتراضات المضادة للواقع إلى وجود علاقة سببية. وتتيح النماذج القادرة على الإجابة عن هذه الافتراضات تدخلات دقيقة يمكن التنبؤ بنتائجها. وفي أقصى الحالات، تُقبل هذه النماذج كقوانين فيزيائية (كما هو الحال في قوانين الفيزياء، مثل قانون القصور الذاتي، الذي ينص على أنه إذا لم تُطبق قوة على جسم ساكن، فلن يتحرك). ^{[ 7 ]}

السببية

السببية مقابل الارتباط

تتمحور الإحصاءات حول تحليل العلاقات بين متغيرات متعددة. تقليديًا، تُوصف هذه العلاقات بأنها ارتباطات ، أي علاقات دون أي دلالة على علاقات سببية. تحاول النماذج السببية توسيع هذا الإطار بإضافة مفهوم العلاقات السببية، حيث تؤدي التغيرات في أحد المتغيرات إلى تغيرات في المتغيرات الأخرى. ^{[ 2 ]}

اعتمدت تعريفات السببية في القرن العشرين بشكل كامل على الاحتمالات/الارتباطات. حدث واحد ( $X$ قيل إن حدوث شيء آخر يؤدي إلى حدوث شيء آخر إذا زاد من احتمالية حدوث الشيء الآخر. $Y$ ). رياضياً، يُعبَّر عن ذلك على النحو التالي:

P(Y|X)>P(Y)

.

هذه التعريفات غير كافية لأن هناك علاقات أخرى (مثل السبب المشترك لـ $X$ و $Y$ يمكن أن يحقق الشرط. السببية ذات صلة بالخطوة الثانية من السلم. أما الارتباطات فتقع في الخطوة الأولى ولا تقدم سوى دليل للخطوة الأخيرة. ^{[ 7 ]}

حاول تعريف لاحق معالجة هذا الغموض من خلال الأخذ بعين الاعتبار العوامل الخلفية. رياضياً:

P(Y|X,K=k)>P(Y|K=k)

،

أين $K$ هي مجموعة المتغيرات الخلفية و $k$ يمثل قيم تلك المتغيرات في سياق محدد. ومع ذلك، فإن مجموعة المتغيرات الأساسية المطلوبة غير محددة (قد تؤدي المجموعات المتعددة إلى زيادة الاحتمالية)، طالما أن الاحتمالية هي المعيار الوحيد . ^{[ 7 ]}

وتشمل المحاولات الأخرى لتعريف السببية اختبار غرانجر للسببية ، وهو اختبار فرضية إحصائية مفاده أنه يمكن تقييم السببية (في الاقتصاد ) من خلال قياس القدرة على التنبؤ بالقيم المستقبلية لسلسلة زمنية واحدة باستخدام القيم السابقة لسلسلة زمنية أخرى. ^{[ 7 ]}

الأنواع

قد يكون السبب ضرورياً، أو كافياً، أو مساهماً، أو مزيجاً من هذه العوامل. ^{[ 10 ]}

ضروري

لكي يكون x سببًا ضروريًا لـ y ، يجب أن يستلزم وجود y حدوث x مسبقًا . ومع ذلك، فإن وجود x لا يعني بالضرورة حدوث y . ^{[ 11 ]} تُعرف الأسباب الضرورية أيضًا باسم أسباب "لولا"، كما في أن y ما كان ليحدث لولا حدوث x . ^{[ 7 ]}^{: 261}

أسباب كافية

لكي يكون x سببًا كافيًا لـ y ، يجب أن يستلزم وجود x حدوث y لاحقًا. ومع ذلك، قد يتسبب سبب آخر z بشكل مستقل في حدوث y . وبالتالي، فإن وجود y لا يتطلب حدوث x مسبقًا . ^{[ 11 ]}

الأسباب المساهمة

لكي يُعتبر x سببًا مساهمًا في y ، يجب أن يزيد وجود x من احتمالية حدوث y . إذا كانت الاحتمالية 100%، يُطلق على x حينها اسم السبب الكافي. وقد يكون السبب المساهم ضروريًا أيضًا. ^{[ 12 ]}

نموذج

مخطط السببية

المخطط السببي هو رسم بياني موجه يوضح العلاقات السببية بين المتغيرات في نموذج سببي. يتضمن المخطط السببي مجموعة من المتغيرات (أو العقد ). ترتبط كل عقدة بسهم إلى عقدة واحدة أو أكثر تؤثر عليها بشكل سببي. يشير رأس السهم إلى اتجاه السببية، على سبيل المثال، سهم يربط المتغيرات $A$ و $B$ مع رأس السهم عند $B$ يشير ذلك إلى حدوث تغيير في $A$ يُحدث تغييرًا في $B$ (مع احتمال مرتبط به). المسار هو اجتياز الرسم البياني بين عقدتين باتباع الأسهم السببية. ^{[ 7 ]}

تشمل المخططات السببية مخططات الحلقات السببية ، والرسوم البيانية الموجهة غير الدورية ، ومخططات إيشيكاوا . ^{[ 7 ]}

تُعتبر المخططات السببية مستقلة عن الاحتمالات الكمية التي تستند إليها. ولا تتطلب التغييرات التي تطرأ على هذه الاحتمالات (على سبيل المثال، نتيجة للتحسينات التكنولوجية) تغييرات في النموذج. ^{[ 7 ]}

عناصر النموذج

تتميز النماذج السببية بهياكل رسمية تحتوي على عناصر ذات خصائص محددة. ^{[ 7 ]}

أنماط التقاطع

أنواع الاتصالات الثلاثة بين ثلاث عقد هي السلاسل الخطية، والتفرعات المتشعبة، والمصادمات المندمجة. ^{[ 7 ]}

سلسلة

السلاسل عبارة عن وصلات خطية مستقيمة مع أسهم تشير من السبب إلى النتيجة. في هذا النموذج، $B$ هو وسيط بمعنى أنه يتوسط في التغيير الذي $A$ وإلا لكان قد تعرض للهجوم $C$ [ ⁷^]^:¹¹³

A\rightarrow B\rightarrow C

شوكة

في التشعبات، يكون للسبب الواحد آثار متعددة. وللأثرين سبب مشترك. توجد علاقة زائفة (غير سببية) بين $A$ و $C$ يمكن التخلص من ذلك عن طريق التكييف على $B$ (لقيمة محددة من $B$ ). ^{[ 7 ]}^{: 114}

A\leftarrow B\rightarrow C

"الاشتراط على $B$ " تعني "معطى" $B$ (أي، بالنظر إلى قيمة $B$ ).

إن تفصيل الشوكة هو العامل المربك:

A\leftarrow B\rightarrow C\rightarrow A

في مثل هذه النماذج، $B$ يُعد سببًا شائعًا لـ $A$ و $C$ (مما يتسبب أيضًا $A$ )، تحضير $B$ المُربك . ^{[ 7 ]}^{: 114}

مصادم

في المصادمات ، تؤثر أسباب متعددة على نتيجة واحدة. التكييف على $B$ (لقيمة محددة من $B$ غالباً ما يكشف عن وجود علاقة سلبية غير سببية بين $A$ و $C$ وقد أطلق على هذا الارتباط السلبي اسم انحياز المصادم وتأثير "التفسير الضمني". $B$ يفسر هذا الارتباط بين $A$ و $C$ [ ^{7 ]}^{: 115 يمكن}^أن يكون الارتباط إيجابيًا في حالة وجود مساهمات من كلا الجانبين $A$ و $C$ من الضروري التأثير $B$ [ ⁷^]^:¹⁹⁷

A\rightarrow B\leftarrow C

أنواع العقد

الوسيط

تُعدّل عقدة الوسيط تأثير الأسباب الأخرى على النتيجة (بدلاً من مجرد التأثير على النتيجة). ^{[ 7 ]}^{: 113} على سبيل المثال، في مثال السلسلة أعلاه، $B$ وهو وسيط، لأنه يعدل تأثير $A$ (سبب غير مباشر لـ) $C$ ) على $C$ (النتيجة).

مُربك

تؤثر العقدة المربكة على نتائج متعددة، مما يخلق ارتباطًا إيجابيًا بينها. ^{[ 7 ]}^{: 114}

المتغير الآلي

المتغير الآلي هو المتغير الذي: ^{[ 7 ]}^{: 246}

يوجد مسار يؤدي إلى النتيجة؛
ليس لديه مسار آخر للمتغيرات السببية؛
ليس له تأثير مباشر على النتيجة.

يمكن أن تُستخدم معاملات الانحدار كتقديرات للأثر السببي لمتغير وسيط على النتيجة، طالما لم يكن هذا الأثر مُشوشًا. وبهذه الطريقة، تسمح المتغيرات الوسيطة بتحديد العوامل السببية كميًا دون الحاجة إلى بيانات عن المتغيرات المُشوشة. ^{[ 7 ]}^{: 249}

على سبيل المثال، بالنظر إلى النموذج:

Z\rightarrow X\rightarrow Y\leftarrow U\rightarrow X

$Z$ هو متغير آلي، لأنه يمتلك مسارًا نحو النتيجة $Y$ وهو غير مشوش، على سبيل المثال، بواسطة $U$ .

في المثال أعلاه، إذا $Z$ و $X$ بأخذ القيم الثنائية، ثم الافتراض أن $Z=0,X=1$ عدم حدوث ذلك يُسمى الرتابة . ^{[ 7 ]}^{: 253}

تشمل التحسينات التي أُدخلت على هذه التقنية إنشاء أداة من خلال التكييف مع متغير آخر لحجب المسارات بين الأداة والمتغير المربك، ودمج متغيرات متعددة لتكوين أداة واحدة . ^{[ 7 ]}^{: 257}

التوزيع العشوائي المندلي

التعريف: تستخدم العشوائية المندلية التباين المقاس في الجينات ذات الوظيفة المعروفة لدراسة التأثير السببي للتعرض القابل للتعديل على المرض في الدراسات الرصدية . ^{[ 13 ]}^{[ 14 ]}

نظراً لأن الجينات تختلف عشوائياً بين المجموعات السكانية، فإن وجود جين ما يُعتبر عادةً متغيراً وسيطاً، مما يعني أنه في كثير من الحالات، يمكن تحديد السببية كمياً باستخدام الانحدار في دراسة رصدية. ^{[ 7 ]}^{: 255}

الجمعيات

شروط الاستقلال

شروط الاستقلال هي قواعد لتحديد ما إذا كان متغيران مستقلين عن بعضهما البعض. يكون المتغيران مستقلين إذا لم تؤثر قيم أحدهما بشكل مباشر على قيم الآخر. يمكن أن تشترك نماذج سببية متعددة في شروط الاستقلال. على سبيل المثال، النماذج

A\rightarrow B\rightarrow C

و

A\leftarrow B\rightarrow C

لها نفس شروط الاستقلال، لأن الشرط على $B$ أوراق $A$ و $C$ مستقلان. ومع ذلك، لا يحمل النموذجان نفس المعنى، ويمكن دحضهما بناءً على البيانات (أي إذا أظهرت البيانات الرصدية وجود ارتباط بينهما). $A$ و $C$ بعد التكييف على $B$ إذا كان كلا النموذجين غير صحيح، فإن البيانات لا تُظهر أيًّا منهما صحيح، لأنهما يشتركان في نفس شروط الاستقلال.

التكييف على متغير هو آلية لإجراء تجارب افتراضية. يتضمن التكييف على متغير تحليل قيم المتغيرات الأخرى لقيمة معينة للمتغير المشروط. في المثال الأول، التكييف على $B$ يشير ذلك إلى أن الملاحظات لقيمة معينة من $B$ لا ينبغي أن يظهر أي اعتماد بين $A$ و $C$ إذا وُجد مثل هذا التبعية، فإن النموذج غير صحيح. لا تستطيع النماذج غير السببية التمييز بين هذه الحالات، لأنها لا تُقدّم ادعاءات سببية. ^{[ 7 ]}^{: 129-130}

مُربك/مُفكك

يُعدّ تحديد العوامل المؤثرة المحتملة على المتغير قيد الدراسة، كالعوامل الديموغرافية، عنصرًا أساسيًا في تصميم الدراسات الارتباطية. ويتم ضبط هذه المتغيرات للتخلص من تأثيراتها. مع ذلك، لا يمكن تحديد قائمة المتغيرات المؤثرة الصحيحة مسبقًا . لذا، من الممكن أن تضبط الدراسة متغيرات غير ذات صلة، أو حتى (بشكل غير مباشر) المتغير قيد الدراسة نفسه. ^{[ 7 ]}^{: 139}

تُقدّم النماذج السببية أسلوبًا قويًا لتحديد المتغيرات المُربكة المناسبة. رسميًا، يُعتبر Z متغيرًا مُربكًا إذا كان "Y مرتبطًا بـ Z عبر مسارات لا تمر عبر X". غالبًا ما يُمكن تحديد هذه المتغيرات باستخدام البيانات التي جُمعت لدراسات أخرى. رياضيًا، إذا

P(Y|X)\neq P(Y|do(X))

يتداخل المتغيران X و Y (بسبب متغير دخيل Z). ^{[ 7 ]}^{: 151}

في وقت سابق، تضمنت التعريفات التي يُزعم أنها غير صحيحة للمتغير المربك ما يلي: ^{[ 7 ]}^{: 152}

"أي متغير مرتبط بكل من X و Y."
يرتبط Y بـ Z بين غير المعرضين.
عدم الانهيار: الفرق بين " الخطر النسبي الخام والخطر النسبي الناتج بعد التعديل للعامل المربك المحتمل".
علم الأوبئة: متغير مرتبط بـ X في عموم السكان ومرتبط بـ Y بين الأشخاص غير المعرضين لـ X.

أما الأخير فهو معيب لأنه بالنظر إلى أن النموذج:

X\rightarrow Z\rightarrow Y

يتطابق Z مع التعريف، ولكنه وسيط وليس عاملًا مربكًا، وهو مثال على التحكم في النتيجة.

في النموذج

X\leftarrow A\rightarrow B\leftarrow C\rightarrow Y

تقليديًا، كان يُعتبر المتغير B عاملًا مُربكًا، لأنه مرتبط بالمتغيرين X وY ولكنه ليس على مسار سببي ولا هو ناتج عن أي متغير على مسار سببي. يؤدي التحكم في المتغير B إلى جعله عاملًا مُربكًا. يُعرف هذا باسم انحياز M. ^{[ 7 ]}^{: 161}

تعديل الباب الخلفي

لتحليل التأثير السببي لـ X على Y في نموذج سببي، يجب معالجة جميع المتغيرات المربكة (إزالة التشويش). لتحديد مجموعة المتغيرات المربكة، يجب: (1) حجب كل مسار غير سببي بين X و Y بواسطة هذه المجموعة؛ (2) دون تعطيل أي مسارات سببية؛ و(3) دون إنشاء أي مسارات زائفة. ^{[ 7 ]}^{: 158}

التعريف : المسار الخلفي من المتغير X إلى Y هو أي مسار من X إلى Y يبدأ بسهم يشير إلى X. ^{[ 7 ]}^{: 158}

التعريف : بالنظر إلى زوج مرتب من المتغيرات (X،Y) في نموذج، فإن مجموعة من المتغيرات المربكة Z تحقق معيار الباب الخلفي إذا (1) لم يكن أي متغير مربك Z من نسل X و (2) تم حظر جميع مسارات الباب الخلفي بين X و Y بواسطة مجموعة المتغيرات المربكة.

إذا تحققت معايير الباب الخلفي للمتغيرين (X، Y)، فإن X وY يتم استبعاد تأثير مجموعة المتغيرات المربكة عليهما. ولا داعي للتحكم في أي متغيرات أخرى غير المتغيرات المربكة. ^{[ 7 ]}^{: 158.} يُعد معيار الباب الخلفي شرطًا كافيًا، ولكنه ليس شرطًا ضروريًا، لإيجاد مجموعة من المتغيرات Z لاستبعاد تأثير تحليل العلاقة السببية بين X وY.

عندما يكون النموذج السببي تمثيلاً معقولاً للواقع، ويتحقق معيار الباب الخلفي، يمكن استخدام معاملات الانحدار الجزئي كمعاملات مسار (سببية) (للعلاقات الخطية). ^{[ 7 ]}^{: 223}^{[ 15 ]}

P(Y|do(X))=\textstyle \sum _{z}\displaystyle P(Y|X,Z=z)P(Z=z)

^{[ 7 ]}^{: 227}

تعديل الباب الأمامي

إذا كانت جميع عناصر مسار الحجب غير قابلة للملاحظة، فإن مسار الباب الخلفي غير قابل للحساب، ولكن إذا كانت جميع المسارات الأمامية من $X\to Y$ يحتوي على عناصر $z$ حيث لا توجد مسارات مفتوحة تربط $z\to Y$ ، ثم $Z$ ، مجموعة الكل $z$ يمكن قياس $P(Y|do(X))$ في الواقع، هناك ظروف حيث $Z$ يمكن أن يكون بمثابة وكيل لـ $X$ .

التعريف : مسار الباب الأمامي هو مسار سببي مباشر تتوفر بياناته للجميع $z\in Z$ , ^{[ 7 ]}^{: 226} $Z$ يعترض جميع المسارات الموجهة $X$ ل $Y$ لا توجد مسارات غير مسدودة من $Z$ ل $Y$ وجميع المسارات الخلفية من $Z$ ل $Y$ يتم حظرها بواسطة $X$ [ ¹⁶^]

يحوّل ما يلي تعبير do إلى تعبير do-free عن طريق اشتراط المتغيرات على طول مسار الباب الأمامي. ^{[ 7 ]}^{: 226}

P(Y|do(X))=\textstyle \sum _{z}\left[\displaystyle P(Z=z|X)\textstyle \sum _{x}\displaystyle P(Y|X=x,Z=z)P(X=x)\right]

بافتراض توفر بيانات لهذه الاحتمالات القابلة للملاحظة، يمكن حساب الاحتمال النهائي دون إجراء تجربة، بغض النظر عن وجود مسارات أخرى مُربكة ودون تعديل غير مباشر. ^{[ 7 ]}^{: 226}

التدخلات

استفسارات

الاستعلامات هي أسئلة تُطرح بناءً على نموذج محدد. وتُجاب عنها عادةً من خلال إجراء تجارب (تدخلات). تتخذ التدخلات شكل تثبيت قيمة أحد المتغيرات في النموذج وملاحظة النتيجة. رياضياً، تأخذ هذه الاستعلامات الشكل التالي (من المثال): ^{[ 7 ]}^{: 8}

P({\text{floss}}\vline do({\text{toothpaste}}))

حيث يشير عامل التشغيل "do" إلى أن التجربة قد عدّلت سعر معجون الأسنان بشكل صريح. بيانيًا، يحجب هذا أي عوامل سببية قد تؤثر على هذا المتغير. تخطيطيًا، يمحو هذا جميع الأسهم السببية التي تشير إلى المتغير التجريبي. ^{[ 7 ]}^{: 40}

من الممكن إجراء استعلامات أكثر تعقيدًا، حيث يتم تطبيق عامل التشغيل do (القيمة ثابتة) على متغيرات متعددة.

التوزيع التدخلي

قم بدراسة حساب التفاضل والتكامل

حساب "do" هو مجموعة العمليات المتاحة لتحويل تعبير إلى آخر، بهدف عام يتمثل في تحويل التعبيرات التي تحتوي على عامل "do" إلى تعبيرات لا تحتوي عليه. يمكن تقدير التعبيرات التي لا تتضمن عامل "do" من البيانات الرصدية وحدها، دون الحاجة إلى تدخل تجريبي، والذي قد يكون مكلفًا أو مطولًا أو حتى غير أخلاقي (مثل مطالبة المشاركين بالتدخين). ^{[ 7 ]}^{: 231} مجموعة القواعد كاملة (يمكن استخدامها لاستنتاج كل عبارة صحيحة في هذا النظام). ^{[ 7 ]}^{: 237} يمكن للخوارزمية تحديد ما إذا كان الحل، لنموذج معين، قابلًا للحساب في وقت متعدد الحدود . ^{[ 7 ]}^{: 238}

قواعد

يتضمن حساب التفاضل والتكامل ثلاث قواعد لتحويل تعبيرات الاحتمال الشرطي التي تتضمن عامل التشغيل do.

القاعدة 1

تسمح القاعدة 1 بإضافة أو حذف الملاحظات: ^{[ 7 ]}^{: 235}

P(Y|do(X),Z,W)=P(Y|do(X),Z)

في حالة قيام مجموعة المتغيرات Z بحجب جميع المسارات من W إلى Y وحذف جميع الأسهم المؤدية إلى X. ^{[ 7 ]}^{: 234}

القاعدة 2

تسمح القاعدة 2 باستبدال التدخل بالملاحظة أو العكس: ^{[ 7 ]}^{: 235}

P(Y|do(X),Z)=P(Y|X,Z)

في حالة استيفاء Z لمعيار الباب الخلفي . ^{[ 7 ]}^{: 234}

القاعدة 3

تسمح القاعدة 3 بحذف أو إضافة التدخلات: ^{[ 7 ]}

P(Y|do(X))=P(Y)

في حالة عدم وجود مسارات سببية تربط بين X و Y. ^{[ 7 ]}^{: 234}^{: 235}

الإضافات

لا تنص القواعد على إمكانية حذف عوامل التشغيل "do" من أي استعلام. في هذه الحالات، قد يكون من الممكن استبدال متغير قابل للتعديل (مثل النظام الغذائي) بمتغير غير قابل للتعديل (مثل نسبة الكوليسترول في الدم)، والذي يمكن تحويله بعد ذلك لحذف عامل التشغيل "do". مثال:

P({\text{Heart disease}}|do({\text{blood cholesterol}}))=P({\text{Heart disease}}|do({\text{diet}}))

الافتراضات المضادة للواقع

تتناول الافتراضات المضادة للواقع احتمالات غير موجودة في البيانات، مثل ما إذا كان شخص غير مدخن سيصاب بالسرطان لو كان مدخنًا شرهًا. وهي أعلى درجة في سلم السببية لبيرل.

النتيجة المحتملة

التعريف: النتيجة المحتملة للمتغير Y هي "القيمة التي كان سيأخذها Y للفرد u ، لو تم إسناد القيمة x إلى X". رياضياً: ^[⁷^]^:²⁷⁰

Y_{X=x}(u)

أو

Y_{x}(u)

.

يتم تحديد النتيجة المحتملة على مستوى الفرد u. ^{[ 7 ]}^{: 270}

يعتمد النهج التقليدي في التعامل مع النتائج المحتملة على البيانات، وليس على النماذج، مما يحد من قدرته على فكّ تشابك العلاقات السببية. فهو يتعامل مع المسائل السببية على أنها مشاكل تتعلق بنقص البيانات، ويقدم إجابات خاطئة حتى في السيناريوهات القياسية. ^{[ 7 ]}^{: 275}

الاستدلال السببي

في سياق النماذج السببية، يتم تفسير النتائج المحتملة بشكل سببي، وليس إحصائياً.

ينص القانون الأول للاستدلال السببي على أن النتيجة المحتملة

Y_{X}(u)

يمكن حسابها بتعديل النموذج السببي M (عن طريق حذف الأسهم المتجهة إلى X) وحساب النتيجة لبعض قيم x . رسميًا: ^{[ 7 ]}^{: 280}

Y_{X}(u)=Y_{Mx}(u)

إجراء دراسة افتراضية

يتضمن فحص سيناريو افتراضي باستخدام نموذج سببي ثلاث خطوات. ^{[ 17 ]} هذا النهج صالح بغض النظر عن شكل علاقات النموذج، سواء كانت خطية أم غير ذلك. عند تحديد علاقات النموذج بشكل كامل، يمكن حساب القيم النقطية. في حالات أخرى (مثلًا، عند توفر الاحتمالات فقط)، يمكن حساب عبارة احتمالية-فترة، مثل: " شخص غير مدخن لديه فرصة بنسبة 10-20% للإصابة بالسرطان". ^{[ 7 ]}^{: 279}

بالنظر إلى النموذج:

Y\leftarrow X\rightarrow M\rightarrow Y\leftarrow U

يمكن تطبيق المعادلات لحساب قيم A و C المستمدة من تحليل الانحدار أو تقنية أخرى، وذلك باستبدال القيم المعروفة من الملاحظة وتحديد قيمة المتغيرات الأخرى (الوضع الافتراضي). ^{[ 7 ]}^{: 278}

اختطاف

استخدم الاستدلال الاستنباطي ( الاستدلال المنطقي الذي يستخدم الملاحظة لإيجاد التفسير الأبسط/الأكثر ترجيحًا) لتقدير u ، وهو المتغير البديل للمتغيرات غير المرصودة في الملاحظة المحددة التي تدعم الافتراض المضاد للواقع. ^{[ 7 ]}^{: 278} احسب احتمال u بالنظر إلى الأدلة الافتراضية.

يمثل

بالنسبة لملاحظة محددة، استخدم عامل do لتحديد الحالة الافتراضية (مثل m = 0)، مع تعديل المعادلات وفقًا لذلك. ^{[ 7 ]}^{: 278}

يتنبأ

احسب قيم المخرجات ( y ) باستخدام المعادلات المعدلة. ^{[ 7 ]}^{: 278}

وساطة

لا يمكن التمييز بين الأسباب المباشرة وغير المباشرة (الوسيطة) إلا من خلال إجراء محاكاة للواقع. ^{[ 7 ]}^{: 301} يتطلب فهم الوساطة تثبيت الوسيط مع التدخل في السبب المباشر. في النموذج

$Y\leftarrow M\leftarrow X\rightarrow Y$

يتوسط M تأثير X على Y، بينما يكون لـ X أيضًا تأثير غير وسيط على Y. وبالتالي يتم تثبيت M، بينما يتم حساب do(X).

أما مغالطة الوساطة فتتضمن بدلاً من ذلك التكييف على الوسيط إذا كان الوسيط والنتيجة متداخلين، كما هو الحال في النموذج أعلاه.

في النماذج الخطية، يُمكن حساب التأثير غير المباشر بضرب جميع معاملات المسار على طول المسار الوسيط. ويُحسب إجمالي التأثير غير المباشر بجمع التأثيرات غير المباشرة الفردية. في النماذج الخطية، يُشير الوساطة إلى اختلاف معاملات المعادلة المُطابقة دون تضمين المتغير الوسيط اختلافًا كبيرًا عن معاملات المعادلة التي تتضمنه. ^{[ 7 ]}^{: 324}

التأثير المباشر

في التجارب التي تُجرى على هذا النموذج، يتم حساب التأثير المباشر المُتحكم به (CDE) عن طريق فرض قيمة المتغير الوسيط M (do(M = 0)) وتعيين بعض الأفراد عشوائيًا لكل قيمة من قيم X (do(X=0), do(X=1), ...) ومراقبة القيم الناتجة لـ Y. ^{[ 7 ]}^{: 317}

CDE(0)=P(Y=1|do(X=1),do(M=0))-P(Y=1|do(X=0),do(M=0))

لكل قيمة من قيم الوسيط قيمة CDE مقابلة.

مع ذلك، تُعدّ التجربة الأفضل هي حساب التأثير المباشر الطبيعي (NDE). وهو التأثير الناتج عن ترك العلاقة بين X وM دون تغيير مع التدخل في العلاقة بين X وY. ^{[ 7 ]}^{: 318}

NDE=P(Y_{M=M0}=1|do(X=1))-P(Y_{M=M0}=1|do(X=0))

على سبيل المثال، لنفترض التأثير المباشر لزيادة زيارات أخصائي صحة الأسنان (X) من مرة كل سنتين إلى مرة كل سنة، مما يشجع على استخدام خيط الأسنان (M). تصبح اللثة (Y) أكثر صحة، إما بسبب أخصائي صحة الأسنان (تأثير مباشر) أو بسبب استخدام خيط الأسنان (تأثير غير مباشر). تتمثل التجربة في الاستمرار في استخدام خيط الأسنان مع عدم زيارة أخصائي صحة الأسنان.

التأثير غير المباشر

يتمثل الأثر غير المباشر لـ X على Y في "الزيادة التي سنلاحظها في Y مع تثبيت X وزيادة M إلى أي قيمة تصل إليها M عند زيادة X بمقدار وحدة واحدة". ^{[ 7 ]}^{: 328}

لا يمكن "التحكم" في التأثيرات غير المباشرة لأن المسار المباشر لا يمكن تعطيله بتثبيت متغير آخر. التأثير غير المباشر الطبيعي (NIE) هو تأثير استخدام خيط الأسنان (M) على صحة اللثة (Y). يُحسب التأثير غير المباشر الطبيعي كمجموع الفرق بين احتمالية استخدام خيط الأسنان في وجود أخصائي صحة الأسنان واحتمالية استخدامه في غيابه (حالات استخدام خيط الأسنان وحالات عدم استخدامه)، أو: ^{[ 7 ]}^{: 321}

NIE=\sum _{m}[P(M=m|X=1)-P(M=m|X=0)]xxP(Y=1|X=0,M=m)

تتضمن حسابات اختبار عدم الإخفاق المذكورة أعلاه مؤشرات فرعية افتراضية ( $Y_{M=M0}$ بالنسبة للنماذج غير الخطية، فإن التكافؤ الواضح ظاهريًا ^{[ 7 ]}^{: 322}

{\mathsf {Total\ effect=Direct\ effect+Indirect\ effect}}

لا ينطبق ذلك بسبب حالات شاذة مثل تأثيرات العتبة والقيم الثنائية. ومع ذلك،

{\mathsf {Total\ effect}}(X=0\rightarrow X=1)=NDE(X=0\rightarrow X=1)-\ NIE(X=1\rightarrow X=0)

يعمل هذا الأسلوب مع جميع العلاقات النموذجية (الخطية وغير الخطية). ويتيح حساب تقديرات الموتى الأحياء مباشرةً من البيانات الرصدية، دون تدخلات أو استخدام مؤشرات افتراضية. ^{[ 7 ]}^{: 326}

سهولة النقل

تُوفّر النماذج السببية وسيلةً لدمج البيانات عبر مجموعات البيانات المختلفة، وهو ما يُعرف بالنقل، على الرغم من اختلاف النماذج السببية (والبيانات المرتبطة بها). فعلى سبيل المثال، يُمكن دمج بيانات الاستبيانات مع بيانات التجارب العشوائية المضبوطة. ^{[ 7 ]}^{: 352.} ويُقدّم النقل حلاً لمسألة الصلاحية الخارجية ، أي إمكانية تطبيق دراسة ما في سياق مختلف.

عندما يتطابق نموذجان في جميع المتغيرات ذات الصلة، وتكون بيانات أحد النموذجين غير متحيزة، يمكن استخدام بيانات أحد المجتمعين لاستخلاص استنتاجات حول المجتمع الآخر. في حالات أخرى، حيث تكون البيانات متحيزة، يمكن إعادة ترجيحها لنقل مجموعة البيانات. في حالة ثالثة، يمكن استخلاص استنتاجات من مجموعة بيانات غير مكتملة. في بعض الحالات، يمكن دمج بيانات من دراسات لمجتمعات متعددة (عن طريق النقل) لاستخلاص استنتاجات حول مجتمع غير مُقاس. في بعض الحالات، يمكن أن يؤدي دمج التقديرات (مثل P(W|X)) من دراسات متعددة إلى زيادة دقة الاستنتاج. ^{[ 7 ]}^{: 355}

يُقدّم حساب الدو معيارًا عامًا للنقل: إذ يُمكن تحويل متغير الهدف إلى تعبير آخر عبر سلسلة من عمليات الدو التي لا تتضمن أي متغيرات "مُنتجة للاختلاف" (أي تلك التي تُميّز بين المجموعتين).^{[ 7 ]}^{: 355} وينطبق مبدأ مماثل على الدراسات التي تضم مشاركين مختلفين بشكل ملحوظ.^{[ 7 ]}^{: 356}

شبكة بايزية

يمكن تطبيق أي نموذج سببي كشبكة بايزية. تُستخدم الشبكات البايزية لحساب الاحتمال العكسي لحدث ما (أي، بالنظر إلى نتيجة معينة، ما هي احتمالات سبب محدد؟). يتطلب ذلك إعداد جدول احتمالات شرطية، يُظهر جميع المدخلات والنتائج الممكنة مع احتمالاتها المرتبطة بها. ^{[ 7 ]}^{: 119}

على سبيل المثال، بالنظر إلى نموذج ذي متغيرين للمرض والاختبار (للمرض)، يأخذ جدول الاحتمالات الشرطية الشكل التالي: ^{[ 7 ]}^{: 117}

احتمالية الحصول على نتيجة إيجابية لاختبار مرض معين
	امتحان
مرض	إيجابي	سلبي
سلبي	12	88
إيجابي	73	27

وفقًا لهذا الجدول، عندما لا يكون المريض مصابًا بالمرض، فإن احتمال الحصول على نتيجة اختبار إيجابية هو 12٪.

مع أن هذا الأمر قابل للحل في المسائل الصغيرة، إلا أنه مع ازدياد عدد المتغيرات وحالاتها المرتبطة بها، يزداد جدول الاحتمالات (وما يرتبط به من وقت حسابي) بشكل أُسّي. ^{[ 7 ]}^{: 121}

تُستخدم الشبكات البايزية تجاريًا في تطبيقات مثل تصحيح أخطاء البيانات اللاسلكية وتحليل الحمض النووي. ^{[ 7 ]}^{: 122}

الثوابت/السياق

يتضمن مفهوم مختلف للسببية فكرة العلاقات الثابتة. ففي حالة تحديد الأرقام المكتوبة بخط اليد، يتحكم شكل الرقم في معناه، وبالتالي يُعدّ كل من الشكل والمعنى ثابتين. تغيير الشكل يُغيّر المعنى، بينما لا تُغيّر خصائص أخرى المعنى (مثل اللون). ينبغي أن يستمر هذا الثبات عبر مجموعات البيانات المُولّدة في سياقات مختلفة (حيث تُشكّل الخصائص غير الثابتة السياق). وبدلاً من التعلّم (تقييم السببية) باستخدام مجموعات بيانات مُجمّعة، يُمكن أن يُساعد التعلّم على مجموعة بيانات واحدة والاختبار على أخرى في التمييز بين الخصائص المتغيرة والثابتة. ^{[ 18 ]}

انظر أيضاً

النظام السببي
الشبكة السببية – شبكة بايزية تشترط صراحةً أن تكون العلاقات سببية
نمذجة المعادلات الهيكلية – أسلوب إحصائي لاختبار وتقدير العلاقات السببية
تحليل المسار (الإحصاء)
شبكة بايزية
خريطة سببية
النمذجة السببية الديناميكية
نموذج روبين السببي

مراجع

↑ كارل فريستون (فبراير 2009). "النمذجة السببية والترابط الدماغي في التصوير بالرنين المغناطيسي الوظيفي" . مجلة PLOS Biology . 7 (2) e1000033. doi : 10.1371/journal.pbio.1000033 . PMC 2642881. PMID 19226186 .
1 2 3 4 بيرل 2009 .
↑ غرينلاند، س.؛ بيرل، ج.؛ روبينز، ج.م. (1999). "التشويش والانهيار في الاستدلال السببي" . العلوم الإحصائية . 14 (1): 29-46 . doi : 10.1214/ss/1009211805 .
↑ هيرنان، ماجستير؛ روبينز، ج.م. (2020). "الاستدلال السببي: ماذا لو". تشابمان آند هول/سي آر سي . رقم ISBN 9781315374932.
↑ باسيو، دان سي. (30 مارس 2023). "النماذج السببية والإبداع والتنوع" . اتصالات العلوم الإنسانية والاجتماعية . 10 (1) 134: 1-15 . doi : 10.1057/s41599-023-01540-1 . ISSN 2662-9992 .
↑ هيتشكوك، كريستوفر (2018)، "النماذج السببية" ، في زالتا، إدوارد ن. (محرر)، موسوعة ستانفورد للفلسفة ( طبعة خريف 2018)، مختبر أبحاث الميتافيزيقا، جامعة ستانفورد ، تاريخ الاسترجاع 2018-09-08
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 بيرل، جوديا ؛ ماكنزي، دانا (15 مايو 2018). كتاب لماذا: العلم الجديد للسبب والنتيجة . دار بيسيك بوكس. رقم ISBN 978-0-465-09761-6.
↑ عكاشة، سمير (12 يناير 2012). "السببية في علم الأحياء" . في: بيبي، هيلين؛ هيتشكوك، كريستوفر؛ مينزيس، بيتر (محررون). دليل أكسفورد للسببية . المجلد 1. مطبعة جامعة أكسفورد. doi : 10.1093/oxfordhb/9780199279739.001.0001 . ISBN 978-0-19-162946-4.
↑ بيرل، جوديا (2021). "الاستدلال السببي والاستدلال المضاد للواقع" . في: كناوف، ماركوس؛ سبون، وولفغانغ (محرران). دليل العقلانية . مطبعة معهد ماساتشوستس للتكنولوجيا . ص 427-438 . doi : 10.7551/mitpress/11252.003.0044 . ISBN 978-0-262-36617-5.
↑ إيب، سوزانا س. (2004). الرياضيات المتقطعة مع التطبيقات . تومسون-بروكس/كول. ص 25-26 . ISBN 978-0-534-35945-4.
١ ٢ "الاستدلال السببي" . www.istarassessment.org . مؤرشف من الأصل بتاريخ ٢٤ فبراير ٢٠٢١. تم الاطلاع عليه بتاريخ ٢ مارس ٢٠١٦ .
↑ ريغلمان، ر. (1979). "السبب المساهم: غير ضروري وغير كافٍ". طب الدراسات العليا . 66 (2): 177-179 . doi : 10.1080/00325481.1979.11715231 . PMID 450828 .
↑ كاتان ، م.ب. (مارس 1986). "أشكال البروتين الشحمي E، وكوليسترول المصل، والسرطان". لانسيت . 1 (8479): 507-508 . doi : 10.1016/s0140-6736(86)92972-7 . PMID 2869248. S2CID 38327985 .
↑ سميث، جورج ديفي؛ إبراهيم، شاه (2008). التوزيع العشوائي المندلي: المتغيرات الجينية كأدوات لتعزيز الاستدلال السببي في الدراسات الرصدية . مطبعة الأكاديميات الوطنية (الولايات المتحدة).
↑ بيرل 2009 ، الفصل 3-3 التحكم في التحيز المربك .
↑ بيرل، جوديا؛ غليمور، مادلين؛ جويل، نيكولاس ب (7 مارس 2016). الاستدلال السببي في الإحصاء: مدخل تمهيدي . جون وايلي وأولاده. ISBN 978-1-119-18684-7.
↑ بيرل 2009 ، ص 207.
↑ هاو، كارين (8 مايو 2019). "التعلم العميق قد يكشف لماذا يعمل العالم بالطريقة التي يعمل بها" . مجلة إم آي تي للتكنولوجيا . تم الاطلاع عليه في 10 فبراير 2020 .

مصادر

بيرل، جوديا (14 سبتمبر 2009). السببية . مطبعة جامعة كامبريدج. ISBN 978-1-139-64398-6.

روابط خارجية

بيرل، جوديا (26 فبراير 2010). " مقدمة في الاستدلال السببي" . المجلة الدولية للإحصاء الحيوي . 6 (2) 7. doi : 10.2202/1557-4679.1203 . ISSN 1557-4679 . PMC 2836213. PMID 20305706 .
النمذجة السببية في PhilPapers
فالك، دان (17 مارس 2019). "خوارزميات الذكاء الاصطناعي بارعة بشكل مذهل في إجراء البحوث العلمية" . مجلة وايرد . الرقم الدولي الموحد للدوريات 1059-1028 . تاريخ الاسترجاع: 20 مارس 2019 .
مودلين، تيم (30 أغسطس 2019). "لماذا العالم؟" . مجلة بوسطن ريفيو . تاريخ الاسترجاع: 9 سبتمبر 2019 .
هارتنيت، كيفن (15 مايو 2018). "لبناء آلات ذكية حقًا، علّمها السبب والنتيجة" . مجلة كوانتا . تاريخ الاسترجاع: 19 سبتمبر 2019 .
^{[ 1 ]}

↑ تعلم التمثيلات باستخدام الثبات السببي ، المؤتمر الدولي لتمثيل التعلم، فبراير 2020 ، تاريخ الاطلاع 10 فبراير 2020

[1] كارل فريستون (فبراير 2009). "النمذجة السببية والترابط الدماغي في التصوير بالرنين المغناطيسي الوظيفي" . مجلة PLOS Biology . 7 (2) e1000033. doi : 10.1371/journal.pbio.1000033 . PMC 2642881. PMID 19226186 .

[FOOTNOTEPearl2009-2] 1 2 3 4 بيرل 2009 .

[3] غرينلاند، س.؛ بيرل، ج.؛ روبينز، ج.م. (1999). "التشويش والانهيار في الاستدلال السببي" . العلوم الإحصائية . 14 (1): 29-46 . doi : 10.1214/ss/1009211805 .

[4] هيرنان، ماجستير؛ روبينز، ج.م. (2020). "الاستدلال السببي: ماذا لو". تشابمان آند هول/سي آر سي . رقم ISBN 9781315374932.

[5] باسيو، دان سي. (30 مارس 2023). "النماذج السببية والإبداع والتنوع" . اتصالات العلوم الإنسانية والاجتماعية . 10 (1) 134: 1-15 . doi : 10.1057/s41599-023-01540-1 . ISSN 2662-9992 .

[6] هيتشكوك، كريستوفر (2018)، "النماذج السببية" ، في زالتا، إدوارد ن. (محرر)، موسوعة ستانفورد للفلسفة ( طبعة خريف 2018)، مختبر أبحاث الميتافيزيقا، جامعة ستانفورد ، تاريخ الاسترجاع 2018-09-08

[:1-7] 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 بيرل، جوديا ؛ ماكنزي، دانا (15 مايو 2018). كتاب لماذا: العلم الجديد للسبب والنتيجة . دار بيسيك بوكس. رقم ISBN 978-0-465-09761-6.

[8] عكاشة، سمير (12 يناير 2012). "السببية في علم الأحياء" . في: بيبي، هيلين؛ هيتشكوك، كريستوفر؛ مينزيس، بيتر (محررون). دليل أكسفورد للسببية . المجلد 1. مطبعة جامعة أكسفورد. doi : 10.1093/oxfordhb/9780199279739.001.0001 . ISBN 978-0-19-162946-4.

[9] بيرل، جوديا (2021). "الاستدلال السببي والاستدلال المضاد للواقع" . في: كناوف، ماركوس؛ سبون، وولفغانغ (محرران). دليل العقلانية . مطبعة معهد ماساتشوستس للتكنولوجيا . ص 427-438 . doi : 10.7551/mitpress/11252.003.0044 . ISBN 978-0-262-36617-5.

[10] إيب، سوزانا س. (2004). الرياضيات المتقطعة مع التطبيقات . تومسون-بروكس/كول. ص 25-26 . ISBN 978-0-534-35945-4.

[CR-11] ١ ٢ "الاستدلال السببي" . www.istarassessment.org . مؤرشف من الأصل بتاريخ ٢٤ فبراير ٢٠٢١. تم الاطلاع عليه بتاريخ ٢ مارس ٢٠١٦ .

[Riegelman-12] ريغلمان، ر. (1979). "السبب المساهم: غير ضروري وغير كافٍ". طب الدراسات العليا . 66 (2): 177-179 . doi : 10.1080/00325481.1979.11715231 . PMID 450828 .

[Katan1986-13] كاتان ، م.ب. (مارس 1986). "أشكال البروتين الشحمي E، وكوليسترول المصل، والسرطان". لانسيت . 1 (8479): 507-508 . doi : 10.1016/s0140-6736(86)92972-7 . PMID 2869248. S2CID 38327985 .

[14] سميث، جورج ديفي؛ إبراهيم، شاه (2008). التوزيع العشوائي المندلي: المتغيرات الجينية كأدوات لتعزيز الاستدلال السببي في الدراسات الرصدية . مطبعة الأكاديميات الوطنية (الولايات المتحدة).

[FOOTNOTEPearl2009[httpbayescsuclaeduBOOK-2Kch3-3pdf_chapter_3-3_Controlling_Confounding_Bias]-15] بيرل 2009 ، الفصل 3-3 التحكم في التحيز المربك .

[16] بيرل، جوديا؛ غليمور، مادلين؛ جويل، نيكولاس ب (7 مارس 2016). الاستدلال السببي في الإحصاء: مدخل تمهيدي . جون وايلي وأولاده. ISBN 978-1-119-18684-7.

[FOOTNOTEPearl2009207-17] بيرل 2009 ، ص 207.

[18] هاو، كارين (8 مايو 2019). "التعلم العميق قد يكشف لماذا يعمل العالم بالطريقة التي يعمل بها" . مجلة إم آي تي للتكنولوجيا . تم الاطلاع عليه في 10 فبراير 2020 .

[19] تعلم التمثيلات باستخدام الثبات السببي ، المؤتمر الدولي لتمثيل التعلم، فبراير 2020 ، تاريخ الاطلاع 10 فبراير 2020

[ 1 ]

[ 2 ]

[ 3 ]

[ 4 ]

[ 5 ]

[ 6 ]

[

304

271

154

308

266.

269

48

للتعامل

[ 9 ]

[ 10 ]

[ 11 ]

261

[ 12 ]

113

114

115 يمكن

197

246

249

253

257

[ 13 ]

[ 14 ]

255

129-130

139

151

152

161

158

223

[ 15 ]

227

226

16

8

40

231

237

238

235

234

270

275

280

[ 17 ]

279

278

301

317

318

328

321

322

326

352.

355

356

119

117

121

122

[ 18 ]

[ 1 ]

اللغة	العربية (RTL)
روابط موسوعية	30 رابطاً
المصدر الأصلي	ويكيبيديا ↗