Orsaksmodeller

Orsaksmodeller, eller kausala modeller, utgör systematiska representationer av hur variabler verkar på varandra. De skiljer kausal påverkan från enbart korrelation och syftar till att beskriva vad som händer vid interventioner.

Det vanligaste ramverket är grafiska modeller. Riktade acykliska grafer (DAGs) visar direkta orsaksrelationer mellan variabler, medan strukturella kausala modeller (SCM) kombinerar graferna med strukturella ekvationer som beskriver hur variabler genereras. Do-operatorn används för att modellera interventioner, dvs vad som händer om en variabel sätts till ett visst värde oberoende av sina vanliga orsaker. Counterfactuals beskriver vad som skulle ha hänt under alternativa scenarier.

Identifikation frågar vilka kausala effekter som kan uppskattas från data givet en kausal struktur. Do-calculus och olika identifikationsvillkor avgör detta. I praktiken kombineras randomiserade studier, naturliga experiment, instrumentvariabelmetoder eller matchningsbaserade metoder med observationsdata för att få kausal skattningar.

Användningar finns inom medicin, epidemiologi, ekonomi, samhällsvetenskap och maskininlärning. Till exempel kan effekten av en behandling på utfall uppskattas när man kontrollerar för konfundering med hjälp av DAG-ramverk eller potential outcomes-modeller.

Utmaningar inkluderar konfundering, mätfel, selektionsbias och felaktiga antaganden om strukturen. Feedback-loopar och imperfekta data försvårar tolkningen. Historiskt har kausala modeller utvecklats i två traditioner: Rubins potential outcomes och Pearls strukturella kausala modeller, vilka senare har integrerats i gemensamma ramverk.