【贝叶斯规则因果推理】《Causal Inference with Bayes Rule》by Finn Lattimore, David Rohde

简介：

在这篇文章中，我们解释了一种贝叶斯方法来推断干预或行动的影响。我们表明，在标准贝叶斯方法内表示因果关系易处理和不可能查询之间的边界，并开辟了潜在的因果推理新方法。这篇文章是我们Arxiv论文的详细但非正式的介绍：用贝叶斯规则代替do演算，用贝叶斯规则代替因果推论。

因果关系-它是什么以及如何推断-一直是机器学习和统计学中最具争议的主题之一。最近出版的《Book of Why》重新引发了关于是否可以在标准贝叶斯建模范式中进行因果推断或是否需要根本不同方法的争论，这一争论由来已久。这场辩论始于90年代的Pearl和Rubin之间，一直持续到今天-尤其是在Andrew Gelman的博客上-参见Gelman和Pearl。在本文中，我们讨论了一些旨在弥合这场辩论的近期工作。

下图将观察到的因果推论与标准统计进行了对比。 在标准统计问题中，我们具有由某些系统生成的数据，并且我们希望使用该数据来推断系统的某些属性。 在观察性因果推论中，我们要使用一个系统（在某些干预之前的系统）生成的数据来推断另一系统（在干预之后的系统）的属性。 这就要求我们对这两个系统之间的关系做出假设（或等效地，干预如何改变原始系统），并对这些假设进行建模，以确定从系统A采样的哪些数据可以告诉我们有关系统B的信息。