数学天元2017统计学青年骨干教师培训班-第一天

1

爱因斯坦曾经说过,“西方科学的发展是建立在两大成就的基础之上:一个是希腊哲学家发明的形式逻辑系统(即欧几里得的几何学),另一方面是发现了用系统验证方法找出因果关系的可能性。”足见因果关系研究的重要性。2017年7月17日,我与丁会通同学代表合肥工业大学老人福祉科技实验室前往吉林东北师范大学参加了国家自然基金数学天元2017统计学培训班,学习因果推论的知识。

为我们进行培训的是来自北京大学数学科学学院的耿直教授。耿教授首先向我们简单介绍了因果推断的概念。让我们了解到因果与相关是不同的概念。两个因素之间即使没有因果关系,可能会表现出虚假的相关性。因果关系意味着可预言性,相关关系只能用于在环境不变的情况下对同分布时间的预测。

2222

近年来,探索因果关系的研究越来越激励着统计学者和计算机学者,在统计领域对因果推断的兴趣开始复兴。其中研究方向主要分为两种模型:反事实因果模型和因果网络模型。

反事实因果模型,是Neyman和Rubin[1,2]为了度量因果作用而提出的一种潜在结果模型。在假定处理变量与其他变量独立的基础上进行因果推断。

因果网络模型则是将贝叶斯网络加上因果的解释。由2011年图灵奖获得者Judea Pearl提出,整理并归纳的因果推断体系。描述了多个变量之间相互的因果关系[3]。因果网络模型不仅能评价变量之间的因果作用的强弱,[4]甚至能够从数据中挖掘多变量之间的因果关系。

以往在实验室进行的因果推断相关学习主要是基于计算机图论和应用的角度开展,本次在东北师范大学的课程则更多的偏向在数学理论的角度对因果推断的模型和方法进行解释,让我们对因果学习有了更加深度的认识。


[1]Angrist, J., Imbens, G. and Rubin, D. (1996) Identification of causal effects using instrumental variables. J. Amer. Statist. Assoc. 91, 444-472.
[2]Robins, J. M., Mark, S. D. and Newey, W. K. (1992) Estimating exposure effects by modeling the expectation of exposure conditional on confounders. Biometrics, 48, 479-495.
[3]Greenland, S., Pearl, J. and Robins, J. M. (1999) Causal diagrams for epidemiologic research. Epidemiology 10, 37–48.
[4]Pearl, J. (2001) Direct and Indirect Effects. In Proc. 17th Conf. Uncertainty in Artificial Intelligence, 411-420.

anyShare分享到:
This entry was posted in 交流活动, 博士生, 硕士生 and tagged . Bookmark the permalink.

发表评论