Alapfogalmak
Die Kernaussage dieses Artikels ist, dass die Verwendung kausaler Schlussfolgerungen bei der Bewertung des persönlichen Kreditrisikos vielversprechende Ergebnisse liefern kann, da sie es ermöglicht, die zugrundeliegenden Ursache-Wirkungs-Beziehungen besser zu verstehen und zu modellieren.
Kivonat
Der Artikel beginnt mit einer Einführung in die Konzepte der kausalen Schlussfolgerung, die aus Forschungsarbeiten in Disziplinen wie Wirtschaft und Biostatistik entstanden sind. Mit der Entwicklung der künstlichen Intelligenz erlebt die kausale Schlussfolgerung eine Renaissance, was jedoch auch neue Herausforderungen mit sich bringt. Eine zentrale Herausforderung ist die nach wie vor unzureichende mathematische Fundierung, die zu erheblichen Kontroversen unter Forschern in Bezug auf die Definition kausaler Beziehungen führt.
Um dieses Problem anzugehen, wurde 2019 ein Seminar mit dem Titel "Grundlagen und neue Horizonte für kausale Schlussfolgerungen" veranstaltet, das darauf abzielte, bestehende Methoden und mathematische Grundlagen zu vereinheitlichen und den Ideenaustausch über verschiedene Disziplinen hinweg zu fördern. Das Seminar brachte führende Forscher aus verschiedenen Bereichen zusammen, darunter künstliche Intelligenz, Biostatistik, Informatik, Wirtschaft, Epidemiologie, maschinelles Lernen, Mathematik und Statistik.
Im selben Jahr veröffentlichten K. Kuang und andere einen umfassenden Überblick über die Forschung zur kausalen Schlussfolgerung, der verschiedene Aspekte abdeckte. Darin wurden Themen wie die Schätzung durchschnittlicher Behandlungseffekte, Zuordnungsprobleme bei kontrafaktischem Schließen, das Yule-Simpson-Paradox und alternative Paradoxe, die Theorie des kausalen Potenzials, das Entdecken kausaler Informationen aus Beobachtungsdaten sowie die formale Argumentation in der kausalen Schlussfolgerung und Erklärung behandelt.
Yao et al. überprüften bestehende Methoden zur Schätzung kausaler Effekte und die damit verbundenen Annahmen. Ihr Artikel erwähnte Matching-Methoden, die Gewichtungsmethode und Schichtungsmethoden zur Schätzung kausaler Effekte und erörterte drei kausale Annahmen: die Annahme der Unverwirrtheit, die Annahmeder Positivität und die Annahme der Konsistenz, wobei die Annahme der Positivität in Big-Data-Kontexten an Klarheit mangelt.
Tyler J. VanderWeele und andere hinterfragten die Grenze zwischen der Definition kausaler Effekte und der Definition kausaler Beziehungen. Der Artikel erwähnte, dass der potenzielle Ergebnisrahmen nur eine Reihe von hinreichenden Bedingungen für die Definition von Schätzwerten kausaler Effekte liefert, aber einige wichtige Probleme nicht für den potenziellen Ergebnisrahmen geeignet sind. Derzeit bleibt die Definition kausaler Beziehungen unentschieden.
Die Forschung zu kausalen Beziehungen kann grob in drei Richtungen unterteilt werden: die Definition kausaler Beziehungen, Methoden zur Schätzung kausaler Effekte und die Anwendung kausaler Schlussfolgerungen in Kombination mit anderen Ansätzen ("Kausal-X"). Der Fortschritt in einer dieser drei Forschungsrichtungen kann zum Verständnis kausaler Beziehungen beitragen.
Statisztikák
"Jede Kausalbeziehung kann durch drei Bedingungen definiert werden: zeitliche Abfolge, konstante Verbindung und räumliche Kontiguität."
"Kausalschlüsse basieren nicht auf Vernunft, sondern auf Erfahrung."
Idézetek
"Kausalbeziehungen werden nicht durch Vernunft, sondern durch Erfahrung entdeckt."
"Ursachen führen ihre Wirkungen nicht notwendigerweise herbei, da die Verneinung der einen Aussage nicht zum Widerspruch mit der anderen führt."