Un modèle causal fait des prédictions sur le comportement d`un système. En particulier, un modèle causal implique la valeur de la vérité, ou la probabilité, des allégations contrefactuelles concernant le système; Elle prédit les effets des interventions; et il implique la dépendance probabiliste ou l`indépendance des variables incluses dans le modèle. Les modèles causaux facilitent également l`inverse de ces inférences: si nous avons observé des corrélations probabilistes entre les variables, ou les résultats d`interventions expérimentales, nous pouvons déterminer quels modèles causaux sont cohérents avec ces observations. La discussion portera sur ce qu`il est possible de faire en «principe». Par exemple, nous examinerons la mesure dans laquelle nous pouvons déduire la structure causale correcte d`un système, étant donné des informations parfaites sur la distribution de probabilité sur les variables dans le système. Cela ignore le problème très réel de déduire les vraies probabilités à partir de données d`échantillons finis. En outre, l`entrée discutera de l`application des modèles causaux à la logique des contrefactuels, de l`analyse du lien de causalité et de la théorie de la décision. Ce niveau affirme des relations de causalité spécifiques entre les événements. La causalité est évaluée en effectuant expérimentalement une action qui affecte l`un des événements. Exemple: doubler le prix du dentifrice (puis ce qui se passe [clarification nécessaire]).
La causalité ne peut pas être établie en examinant l`historique (des changements de prix) parce que le changement de prix peut avoir été pour une autre raison qui pourrait lui-même affecter le deuxième événement (un tarif qui augmente le prix des deux marchandises). Mathématiquement: mais même si nous n`avons pas un SEM complet, nous pouvons souvent calculer l`effet des interventions. Supposons que nous ayons un modèle causal dans lequel la distribution de probabilité P satisfait MC sur le DAG causal (bG) sur la variable Set (bV = {X_1, X_2, ldots, X_n } ). La version la plus utile de MC pour la réflexion sur les interventions est MCFactorization (voir la section 4,2), qui nous dit: s`il y a des causes communes latentes, de sorte que la véritable structure causale sur (bV) est représentée par un ADMG, alors il peut ne pas être possible de découvrir le véritable structure causale en utilisant uniquement des interventions à variable unique. (Bien que nous puissions le faire dans le cas particulier où les fonctions du modèle d`équation structurelle sous-jacente sont toutes linéaires.) Cependant, si nous pouvons intervenir sur plusieurs variables en même temps, alors il est possible de découvrir le vrai graphe causal. ont les mêmes conditions d`indépendance, parce que le conditionnement sur B laisse A et C indépendant. Cependant, les deux modèles n`ont pas la même signification et peuvent être falsifiés sur la base de données (c`est-à-dire, si les données observationnelles montrent une association entre A et C après conditionnement sur B, les deux modèles sont incorrects). Inversement, les données ne peuvent pas montrer lequel de ces deux modèles sont corrects, parce qu`ils ont les mêmes conditions d`indépendance.
Une fois le modèle statistique et estimet ont été définis, il n`y a rien de causal sur le problème d`estimation qui en résulte. Une estimation donnée, comme l`équation 2, peut être estimée de plusieurs façons. Les estimateurs de l`équation 2 comprennent ceux fondés sur la pondération des probabilités inverses, l`appariement de 47 points de propension, la régression de 40 du résultat sur l`exposition et les facteurs de confusion (suivis d`une moyenne par rapport à la répartition empirique des facteurs de confusion) et le double méthodes efficaces et robustes, 48, 49 y compris la probabilité maximale ciblée. 4 les modèles causaux sont falsifiables, en ce que s`ils ne correspondent pas aux données, ils doivent être rejetés comme invalides. Beaucoup pensent que c`est mauvais Conseil. Manger une banane ne provoque pas Cheryl pour obtenir une migraine; C`est un plaisir inoffensif. Un certain nombre d`auteurs ont formulé des versions de la théorie de la décision causale (CDT) qui visent à incorporer explicitement des considérations de causalité (par exemple, Gile & Harper 1978; Joyce 1999; Lewis 1981; Skyrms 1980).
