A inferência causal é o processo de determinar o efeito real e independente de um fenômeno particular que é um componente de um sistema maior. A principal diferença entre inferência causal e inferência de associação é que a inferência causal analisa a resposta de uma variável de efeito quando uma causa da variável de efeito é alterada. A ciência de por que as coisas ocorrem é chamada de etiologia. Diz-se que a inferência causal fornece a evidência da causalidade teorizada pelo raciocínio causal.

A inferência causal é amplamente estudada em todas as ciências. Várias inovações no desenvolvimento e implementação de metodologias destinadas a determinar a causalidade proliferaram nas últimas décadas. A inferência causal permanece especialmente difícil onde a experimentação é difícil ou impossível, o que é comum na maioria das ciências.

Definição Inferir a causa de algo tem sido descrito como:

"raciocínio para a conclusão de que algo é, ou provavelmente é, a causa de outra coisa". "Identificação da causa ou causas de um fenômeno, estabelecendo covariação de causa e efeito, uma relação temporal com a causa anterior ao efeito e a eliminação de causas alternativas plausíveis."

Metodologia

Em geral A inferência causal é conduzida através do estudo de sistemas onde a medida de uma variável é suspeita de afetar a medida de outra. A inferência causal é conduzida em relação ao método científico. O primeiro passo da inferência causal é formular uma hipótese nula falseável, que é posteriormente testada com métodos estatísticos. A inferência estatística frequencista é o uso de métodos estatísticos para determinar a probabilidade de que os dados ocorram sob a hipótese nula por acaso: a inferência bayesiana é usada para determinar o efeito de uma variável independente. A inferência estatística em geral é usada para determinar a diferença entre as variações nos dados originais que são variações aleatórias ou o efeito de um mecanismo causal bem especificado. Notavelmente, a correlação não implica causalidade, então o estudo da causalidade está tão preocupado com o estudo de mecanismos causais potenciais quanto com a variação entre os dados. Um padrão de inferência causal frequentemente procurado é um experimento onde o tratamento é atribuído aleatoriamente, mas todos os outros fatores de confusão são mantidos constantes. A maioria dos esforços em inferência causal está na tentativa de replicar condições experimentais.

Os estudos epidemiológicos empregam diferentes métodos epidemiológicos de coleta e medição de evidências de fatores de risco e efeito e diferentes formas de medir a associação entre os dois. Os resultados de uma revisão de métodos para inferência causal em 2020 descobriram que usar a literatura existente para programas de treinamento clínico pode ser desafiador. Isso ocorre porque os artigos publicados geralmente presumem uma base técnica avançada, podem ser escritos a partir de múltiplas perspectivas estatísticas, epidemiológicas, da ciência da computação ou filosóficas, as abordagens metodológicas continuam a se expandir rapidamente e muitos aspectos da inferência causal recebem cobertura limitada.

Estruturas comuns para inferência causal incluem o modelo de pizza causal (componente-causa), o modelo causal estrutural de Pearl, modelagem de equação estrutural e modelo causal de Rubin (resultado potencial), que são frequentemente usados em áreas como como ciências sociais e epidemiologia.

Experimental A verificação experimental de mecanismos causais é possível usando métodos experimentais. A principal motivação por trás de um experimento é manter constantes outras variáveis experimentais enquanto se manipula propositalmente a variável de interesse. Se o experimento produzir efeitos estatisticamente significativos como resultado da manipulação apenas da variável de tratamento, há motivos para acreditar que um efeito causal pode ser atribuído à variável de tratamento, supondo que outros padrões para o desenho experimental tenham sido atendidos.

Abordagens em epidemiologia A epidemiologia estuda padrões de saúde e doença em populações definidas de seres vivos para inferir causas e efeitos. Uma associação entre uma exposição a um suposto fator de risco e uma doença pode ser sugestiva, mas não é equivalente à causalidade, pois a correlação não implica causalidade. Historicamente, os postulados de Koch têm sido usados desde o século 19 para decidir se um microrganismo era a causa de uma doença. No século 20 os critérios de Bradford Hill, descritos em 1965, foram usados para avaliar a causalidade de variáveis fora da microbiologia, embora mesmo esses critérios não sejam formas exclusivas de determinar a causalidade.

Abordagens em informática A determinação de causa e efeito a partir de dados observacionais conjuntos para duas variáveis independentes do tempo, digamos X e Y, foi abordada usando assimetria entre evidências para algum modelo nas direções, X → Y e Y → X. As abordagens primárias são baseadas em algoritmos modelos de teoria da informação e modelos de ruído. 

Modelos de ruído Incorpore um termo de ruído independente no modelo para comparar as evidências das duas direções.

Aqui estão alguns dos modelos de ruído para a hipótese Y → X com o ruído E:

Ruído aditivo:Hoyer, Patrik O., et al. "Nonlinear causal discovery with additive noise models ." NIPS. Vol. 21. 2008. Ruído linear: Pós não linear:Zhang, Kun, and Aapo Hyvärinen. "On the identifiability of the post-nonlinear causal model ." Proceedings of the Twenty-Fifth Conference on Uncertainty in Artificial Intelligence. AUAI Press, 2009. Ruído heterocedástico: Ruído funcional:Mooij, Joris M., et al. "Probabilistic latent variable models for distinguishing between cause and effect ." NIPS. 2010.

Abordagens em ciências sociais

Economia e ciência política Nas ciências econômicas e na ciência política, a inferência causal é muitas vezes difícil, devido à complexidade do mundo real das realidades econômicas e políticas e à incapacidade de recriar muitos fenômenos de grande escala dentro de experimentos controlados. A inferência causal nas ciências econômicas e políticas continua a ver melhorias na metodologia e no rigor, devido ao aumento do nível de tecnologia disponível para os cientistas sociais, o aumento no número de cientistas sociais e pesquisas e melhorias nas metodologias de inferência causal em todas as ciências sociais.

Ver também

Causalidade de Granger Modelo causal de Rubin Estatísticas multivariadas Patogênese Patologia Análise de regressão Design de descontinuidade de regressão Entropia de transferência Diferença nas diferenças Pareamento de pontuação de propensão

Referências

Categoria:Análise de regressão Categoria:Causalidade Categoria:Filosofia da estatística