This HTML5 document contains 263 embedded RDF statements represented using HTML+Microdata notation.

The embedded RDF content will be recognized by any processor of HTML5 Microdata.

Subject Item

dbr:Causal_inference

rdf:type

dbo:Event dbo:Election dbo:SocietalEvent yago:CausalAgent100007347 yago:Worker109632518 dbr:Process yago:LivingThing100004258 owl:Thing yago:Person100007846 yago:Organism100004475 yago:Object100002684 yago:PhysicalEntity100001930 yago:Whole100003553 yago:YagoLegalActorGeo yago:YagoLegalActor yago:WikicatGraphicalModels yago:Assistant109815790 yago:Model110324560

rdfs:label

Inferência causal 因果推斷 Causal inference Wnioskowanie przyczynowe 인과 추론 Causale inferentie Inférence causale 統計的因果推論

rdfs:comment

A inferência causal é o processo de determinar o efeito real e independente de um fenômeno particular que é um componente de um sistema maior. A principal diferença entre inferência causal e inferência de associação é que a inferência causal analisa a resposta de uma variável de efeito quando uma causa da variável de efeito é alterada. A ciência de por que as coisas ocorrem é chamada de etiologia. Diz-se que a inferência causal fornece a evidência da causalidade teorizada pelo . L'inférence causale est le processus par lequel on peut établir une relation de causalité entre un élément et ses effets. C'est un champ de recherche à la croisée des statistiques, de l'économétrie, de l'épidémiologie, de la méthodologie politique et de l'intelligence artificielle. 因果推斷是在一個較大系統內部確定指定現象（因）的實際、獨立效果（果）的過程。因果推斷和相關性推斷的主要區別是前者分析結果變量在其原因變量變化時發生的回應。 研究事物起因的科學則稱作原因論。因果推斷可給出建立的因果關係模型的證據。 因果推斷在所有科學中都得到了廣泛研究。近幾十年來，旨在確定因果關係的方法論中出現了多項創新發展和應用。在許多科學問題中，常常出現難以或不可能進行實驗的情況，這時因果推斷仍然特別困難。 因果推斷廣泛適用於所有類型的科學學科，而且許多針對特定學科設計的因果推斷方法也可應用到其他學科。本文概述了因果推斷的基本步驟，並詳細介紹不同學科中使用的傳統測試方法；這不意味著那些方法只適用於特定學科，這只表示它們是該學科中最常用的。 因果推斷很難執行。科學家就確定因果關係的正確方法存在重大爭論。儘管已有新方法，部分人仍擔心，科學家可能誤將相關性判斷為因果關係，亦可能使用了不正確的統計方法，甚至故意操縱分析結果以獲得統計上顯著的估計值。這種問題在回歸模型，尤其是線性回歸模型的使用上更為明顯。 Causal inference is the process of determining the independent, actual effect of a particular phenomenon that is a component of a larger system. The main difference between causal inference and inference of association is that causal inference analyzes the response of an effect variable when a cause of the effect variable is changed. The science of why things occur is called etiology. Causal inference is said to provide the evidence of causality theorized by causal reasoning. 인과 추론은 더 큰 시스템의 구성 요소인 특정 현상의 독립적이고 실제적인 영향을 결정하는 프로세스이다. 인과 추론과 상관 분석의 주요 차이점은 인과 추론은 결과 변수의 원인이 변경될 때 효과 변수의 응답을 분석한다는 것이다. 일이 일어나는 이유에 대한 과학을 원인학이라고 한다. 인과 추론은 인과 추론에 의해 이론화된 인과 관계의 증거를 제공한다고 한다. 인과 추론은 모든 과학에서 광범위하게 연구된다. 인과관계를 결정하기 위해 고안된 방법론의 개발 및 구현에서 몇 가지 혁신이 최근 수십 년 동안 급증했다. 인과 추론은 실험이 어렵거나 불가능한 경우 특히 어렵다. 이는 대부분의 과학에서 일반적이다. 인과 추론에 대한 접근 방식은 모든 유형의 과학 분야에 광범위하게 적용할 수 있으며 특정 분야를 위해 설계된 많은 인과 추론 방법이 다른 분야에서도 사용되었다. 이 기사에서는 인과 추론의 기본 프로세스를 간략하게 설명하고 다양한 분야에서 사용되는 보다 일반적인 테스트에 대해 자세히 설명한다. 그러나 이것은 이러한 방법이 해당 분야에만 적용되고 단지 해당 분야에서 가장 일반적으로 사용된다는 제안으로 오인되어서는 안 된다. Causale inferentie is het onderdeel van de econometrie waarin wordt geprobeerd een causaal verband tussen verschillende economische grootheden te vinden door te bestuderen hoe die grootheden ten opzichte van elkaar veranderen, hoe zij van elkaar afhankelijk zijn. Het causale verband wordt daarbij aan de hand van metingen aan macro-economische modellen bepaald, die in de praktijk worden gedaan, bijvoorbeeld door de gevolgen van verschillende maatregelen in twee overeenkomstige situaties met elkaar te vergelijken. De twee beide situaties waaraan wordt gemeten, kunnen gelijktijdig voorkomen, maar op een verschillende plaats, maar ook op dezelfde plaats, maar in de tijd na elkaar. Wnioskowanie przyczynowe (analiza przyczynowa, ang. causal inference) – zagadnienie m.in. epistemologii i metodologii nauk, obejmujące opis, preskrypcję i stosowanie metod systematycznego odkrywania i badania związków przyczynowych. Analiza przyczynowa ma pozwalać na możliwie rzetelną odpowiedź na pytania postaci: „co by było, gdyby…?” albo „jaką różnicę powoduje…?”. 統計的因果推論（とうけいてきいんがすいろん、英: Causal inference in statistics）とは、実験データや観察データから得られた不完全な情報をもとに、事象の因果効果を統計的に推定していくことである。20世紀後半から、ジューディア・パールや、ドナルド・ルービンらによって発展を遂げた。なお、「因果推論(Causal inference)」とのみ言う場合は、統計学に限らず哲学などを含めた、より広範な領域の議論を含むが、統計学、データサイエンス、経済学に関連する文脈で「因果推論」と言われる場合、しばしば「統計的因果推論」の手法に関わるものを指していることが多い。

owl:sameAs

wd:Q5054566 dbpedia-ko:인과_추론 dbpedia-nl:Causale_inferentie dbpedia-pt:Inferência_causal dbpedia-fi:Kausaalinen_päättely dbpedia-ja:統計的因果推論 dbpedia-zh:因果推斷 dbpedia-fa:استنباط_علیت n27:4g7DZ dbpedia-fr:Inférence_causale dbr:Causal_inference n46:0n48l7_ yago-res:Causal_inference dbpedia-pl:Wnioskowanie_przyczynowe

foaf:topic

dbr:Evaluation_apprehension_model dbr:Olga_Vitek dbr:Bernhard_Schölkopf dbr:Computational_economics n14: n16:_Sekhon n17:_Rosenbaum dbr:Betz_Halloran dbr:Sibling_abuse dbr:Analytical_skill dbr:Philip_Dawid n28:this dbr:Deductive_pragmatism dbr:Jurimetrics dbr:Pathology n29:s_Methods n30: n31:_Brand dbr:Algorithms_for_causal_inference dbr:Propensity_score_matching dbr:Natural_experiment n33: n34:_Morgan dbr:Bayesian_network dbr:N_of_1_trial dbr:Gun_politics_in_the_United_States n35: dbr:Exploratory_causal_analysis dbr:Pathogenesis dbr:Roundtable_on_Sustainable_Palm_Oil dbr:Jonathan_Sterne dbr:Principal_stratification n37:_Stuart dbr:Causal_model n41: dbr:Tyler_VanderWeele dbr:Babette_Brumback dbr:Molecular_pathological_epidemiology dbr:The_Book_of_Why dbr:Race_and_crime_in_the_United_States dbr:Michal_Rosen-Zvi dbr:William_Shadish dbr:Markov_blanket dbr:Causal_Inference dbr:Graphical_model n43:s_postulates dbr:Causality dbr:Eleanor_Murray dbr:List_of_University_of_Florida_faculty_and_administrators dbr:Designing_Social_Inquiry dbr:Metascience dbr:Alberto_Abadie dbr:Random_sample_consensus dbr:Rubin_causal_model dbr:Fabrizia_Mealli n44:_Freedman dbr:Differential_effects n45: dbr:Laura_Schulz dbr:Causal_reasoning dbr:Jennifer_Doleac dbr:Guido_Imbens dbr:Magical_thinking dbr:Rui_Song dbr:Social_influence dbr:Bruce_Sacerdote dbr:Comparative_politics dbr:Internal_validity dbr:Regression_analysis dbr:Marloes_Maathuis dbr:Multivalued_treatment dbr:John_Templeton_Foundation dbr:Rational_analysis dbr:Disparate_impact dbr:Marginal_structural_model dbr:Deborah_Lawlor dbr:Instrumental_variables_estimation dbr:Artificial_intelligence_and_causal_inference wikipedia-en:Causal_inference dbr:Causality_and_machine_learning dbr:Causality_in_machine_learning dbr:Vasant_Honavar dbr:Causal_AI dbr:Causal_machine_learning dbr:Mark_van_der_Laan dbr:Social_determinants_of_health dbr:Jennifer_Hill dbr:External_validity dbr:Biomedical_text_mining dbr:Philip_Green_Wright n54: n55: dbr:Emma_Benn dbr:Causal_analysis dbr:Machine_learning_for_causal_inference

wdrs:describedby

n4:Confounding n4:Time_series n4:Political_science n36:Political_science n4:Multicollinearity n39:Regression_analysis n36:Molecular_epidemiology n4:Molecular_epidemiology n36:Causal_model n4:Etiology n36:Process n47:Assistant109815790 n4:Regression_analysis n47:Model110324560 n36:Bradford_Hill_criteria n4:Structural_equation_modeling n4:Bradford_Hill_criteria n4:Causal_model

dct:subject

dbc:Multivariate_statistics dbc:Philosophy_of_statistics dbc:Inductive_reasoning dbc:Inference dbc:Statistical_methods dbc:Statistical_inference dbc:Regression_analysis dbc:Graphical_models dbc:Causal_inference

dbo:wikiPageID

37103476

dbo:wikiPageRevisionID

1100370285

dbo:wikiPageWikiLink

dbr:Molecular_pathology dbr:Etiology n15: dbr:Confounding dbr:Economics dbc:Inductive_reasoning dbr:Transfer_entropy dbc:Philosophy_of_statistics dbr:Causal_reasoning dbr:Process_tracing dbr:Heterogeneity dbr:Precision_medicine dbr:Algorithmic_information_theory dbr:Molecular_pathological_epidemiology dbc:Inference dbr:Data_dredging dbr:Pathogenesis dbr:Bayesian_inference dbr:Donald_Rubin dbr:Molecular_biology dbr:Designing_Social_Inquiry dbr:Structural_equation_modeling dbr:Causal_analysis dbr:Multicollinearity dbr:Confounding_variable dbr:Statistical_hypothesis_testing dbr:Personalized_medicine dbr:Risk_factor dbr:Causal_model dbr:Pathology dbr:Null_hypothesis dbr:Spurious_relationship dbr:Infer dbr:Public_health dbr:Rubin_causal_model dbr:Granger_causality dbc:Regression_analysis dbr:Statistical_inference dbr:Scientific_method dbr:Biomarkers dbr:Epidemiological_method dbr:Partial_least_squares_regression dbr:Political_science dbr:Fuzzy_set dbc:Graphical_models dbr:Random_variation dbr:Correlation_does_not_imply_causation n49: dbr:Epidemiology dbr:Living_beings dbr:Time_series dbr:Causal_pie_model dbr:Bradford_Hill_criteria dbc:Causal_inference dbr:Multivariate_statistics n43:s_postulates dbr:Molecular_epidemiology dbr:Instrumental_variables dbr:Cause dbr:Regression_analysis

dbo:wikiPageExternalLink

n7: n38: n42:

foaf:isPrimaryTopicOf

wikipedia-en:Causal_inference

prov:wasDerivedFrom

n52:0

n22:hypernym

dbr:Process

dbo:abstract

因果推斷是在一個較大系統內部確定指定現象（因）的實際、獨立效果（果）的過程。因果推斷和相關性推斷的主要區別是前者分析結果變量在其原因變量變化時發生的回應。 研究事物起因的科學則稱作原因論。因果推斷可給出建立的因果關係模型的證據。 因果推斷在所有科學中都得到了廣泛研究。近幾十年來，旨在確定因果關係的方法論中出現了多項創新發展和應用。在許多科學問題中，常常出現難以或不可能進行實驗的情況，這時因果推斷仍然特別困難。 因果推斷廣泛適用於所有類型的科學學科，而且許多針對特定學科設計的因果推斷方法也可應用到其他學科。本文概述了因果推斷的基本步驟，並詳細介紹不同學科中使用的傳統測試方法；這不意味著那些方法只適用於特定學科，這只表示它們是該學科中最常用的。 因果推斷很難執行。科學家就確定因果關係的正確方法存在重大爭論。儘管已有新方法，部分人仍擔心，科學家可能誤將相關性判斷為因果關係，亦可能使用了不正確的統計方法，甚至故意操縱分析結果以獲得統計上顯著的估計值。這種問題在回歸模型，尤其是線性回歸模型的使用上更為明顯。 Wnioskowanie przyczynowe (analiza przyczynowa, ang. causal inference) – zagadnienie m.in. epistemologii i metodologii nauk, obejmujące opis, preskrypcję i stosowanie metod systematycznego odkrywania i badania związków przyczynowych. Analiza przyczynowa ma pozwalać na możliwie rzetelną odpowiedź na pytania postaci: „co by było, gdyby…?” albo „jaką różnicę powoduje…?”. Nie sprowadza się do wnioskowania statystycznego opartego o obserwacje ze statycznej sytuacji. Różne związki przyczynowe mogą objawiać się takimi samymi wzorami korelacji – do czego odwołują się aforyzmy typu „korelacja to nie przyczynowość”, i co grozi błędem logicznym post hoc. Wnioskowanie przyczynowe wymaga dodatkowego, specyficznego modelowania, a najlepszą podstawę stanowią dla niego obserwacje ze zmian sytuacji – zwłaszcza realizowanych w zamierzenie losowy sposób (warunkowo niezależnie od zmiennych zakłócających), tak jak w randomizowanym eksperymencie naukowym. Współcześnie wnioskowanie przyczynowe rozwija się od lat 1970–1990 w parze z cybernetyką i wnioskowaniem statystycznym, i jest rozumiane jako proces tworzenia alternatywnych probabilistycznych modeli przyczynowych badanych zjawisk, i dokonywania pomiędzy nimi wyboru, w oparciu o konfrontowanie ich przewidywań z obserwacjami empirycznymi. Wśród głównych podejść do zagadnienia ważną rolę odgrywa model Neymana-Rubina (potencjalnych rezultatów), modele równań strukturalnych, i model Pearla (sieci bayesowskie). L'inférence causale est le processus par lequel on peut établir une relation de causalité entre un élément et ses effets. C'est un champ de recherche à la croisée des statistiques, de l'économétrie, de l'épidémiologie, de la méthodologie politique et de l'intelligence artificielle. 인과 추론은 더 큰 시스템의 구성 요소인 특정 현상의 독립적이고 실제적인 영향을 결정하는 프로세스이다. 인과 추론과 상관 분석의 주요 차이점은 인과 추론은 결과 변수의 원인이 변경될 때 효과 변수의 응답을 분석한다는 것이다. 일이 일어나는 이유에 대한 과학을 원인학이라고 한다. 인과 추론은 인과 추론에 의해 이론화된 인과 관계의 증거를 제공한다고 한다. 인과 추론은 모든 과학에서 광범위하게 연구된다. 인과관계를 결정하기 위해 고안된 방법론의 개발 및 구현에서 몇 가지 혁신이 최근 수십 년 동안 급증했다. 인과 추론은 실험이 어렵거나 불가능한 경우 특히 어렵다. 이는 대부분의 과학에서 일반적이다. 인과 추론에 대한 접근 방식은 모든 유형의 과학 분야에 광범위하게 적용할 수 있으며 특정 분야를 위해 설계된 많은 인과 추론 방법이 다른 분야에서도 사용되었다. 이 기사에서는 인과 추론의 기본 프로세스를 간략하게 설명하고 다양한 분야에서 사용되는 보다 일반적인 테스트에 대해 자세히 설명한다. 그러나 이것은 이러한 방법이 해당 분야에만 적용되고 단지 해당 분야에서 가장 일반적으로 사용된다는 제안으로 오인되어서는 안 된다. 인과관계 추론은 수행하기 어렵고 인과관계를 결정하는 적절한 방법에 대해 과학자들 사이에 상당한 논쟁이 있다. 다른 혁신에도 불구하고 과학자들이 상관적 결과를 인과로 잘못 귀인하고, 과학자들이 부정확한 방법론을 사용하고, 과학자들이 통계적으로 유의미한 추정치를 얻기 위해 분석 결과를 의도적으로 조작하는 것에 대한 우려가 남아 있다. 회귀 모델, 특히 선형 회귀 모델의 사용에서 특히 우려가 제기된다. A inferência causal é o processo de determinar o efeito real e independente de um fenômeno particular que é um componente de um sistema maior. A principal diferença entre inferência causal e inferência de associação é que a inferência causal analisa a resposta de uma variável de efeito quando uma causa da variável de efeito é alterada. A ciência de por que as coisas ocorrem é chamada de etiologia. Diz-se que a inferência causal fornece a evidência da causalidade teorizada pelo . A inferência causal é amplamente estudada em todas as ciências. Várias inovações no desenvolvimento e implementação de metodologias destinadas a determinar a causalidade proliferaram nas últimas décadas. A inferência causal permanece especialmente difícil onde a experimentação é difícil ou impossível, o que é comum na maioria das ciências. Causale inferentie is het onderdeel van de econometrie waarin wordt geprobeerd een causaal verband tussen verschillende economische grootheden te vinden door te bestuderen hoe die grootheden ten opzichte van elkaar veranderen, hoe zij van elkaar afhankelijk zijn. Het causale verband wordt daarbij aan de hand van metingen aan macro-economische modellen bepaald, die in de praktijk worden gedaan, bijvoorbeeld door de gevolgen van verschillende maatregelen in twee overeenkomstige situaties met elkaar te vergelijken. De twee beide situaties waaraan wordt gemeten, kunnen gelijktijdig voorkomen, maar op een verschillende plaats, maar ook op dezelfde plaats, maar in de tijd na elkaar. Guido Imbens, Joshua Angrist en David Card kregen in 2021 de Prijs van de Zweedse Rijksbank voor economie toegekend voor hun werk aan causale inferentie, Guido Imbens en Joshua Angrist voor hun methodologische bijdrage aan de analyse van causale inferentie, David Card voor zijn empirische bijdragen aan de arbeidseconomie. Causal inference is the process of determining the independent, actual effect of a particular phenomenon that is a component of a larger system. The main difference between causal inference and inference of association is that causal inference analyzes the response of an effect variable when a cause of the effect variable is changed. The science of why things occur is called etiology. Causal inference is said to provide the evidence of causality theorized by causal reasoning. Causal inference is widely studied across all sciences. Several innovations in the development and implementation of methodology designed to determine causality have proliferated in recent decades. Causal inference remains especially difficult where experimentation is difficult or impossible, which is common throughout most sciences. The approaches to causal inference are broadly applicable across all types of scientific disciplines, and many methods of causal inference that were designed for certain disciplines have found use in other disciplines. This article outlines the basic process behind causal inference and details some of the more conventional tests used across different disciplines; however, this should not be mistaken as a suggestion that these methods apply only to those disciplines, merely that they are the most commonly used in that discipline. Causal inference is difficult to perform and there is significant debate amongst scientists about the proper way to determine causality. Despite other innovations, there remain concerns of misattribution by scientists of correlative results as causal, of the usage of incorrect methodologies by scientists, and of deliberate manipulation by scientists of analytical results in order to obtain statistically significant estimates. Particular concern is raised in the use of regression models, especially linear regression models. 統計的因果推論（とうけいてきいんがすいろん、英: Causal inference in statistics）とは、実験データや観察データから得られた不完全な情報をもとに、事象の因果効果を統計的に推定していくことである。20世紀後半から、ジューディア・パールや、ドナルド・ルービンらによって発展を遂げた。なお、「因果推論(Causal inference)」とのみ言う場合は、統計学に限らず哲学などを含めた、より広範な領域の議論を含むが、統計学、データサイエンス、経済学に関連する文脈で「因果推論」と言われる場合、しばしば「統計的因果推論」の手法に関わるものを指していることが多い。

dbp:date

March 2021

dbp:reason

This source is a defense of simple linear models, and does not seem to mention causal inference at all.

dbo:wikiPageLength

36624

dbp:wikiPageUsesTemplate

dbt:Commons_category dbt:Main dbt:Citation_needed dbt:See dbt:Reflist dbt:Cite_book dbt:Third-party-inline dbt:Short_description dbt:Failed_verification dbt:Authority_control dbt:Portal_bar dbt:When dbt:About dbt:Use_dmy_dates