stringtranslate.com

Причинно-следственный вывод

Причинный вывод — это процесс определения независимого, фактического эффекта конкретного явления, являющегося компонентом более крупной системы. Главное различие между причинным выводом и выводом ассоциации заключается в том, что причинный вывод анализирует реакцию переменной эффекта, когда причина переменной эффекта изменяется. [1] [2] Изучение того, почему происходят вещи, называется этиологией и может быть описано с использованием языка научной причинной нотации . Говорят, что причинный вывод предоставляет доказательства причинности, теоретизированные посредством причинного рассуждения .

Причинно-следственные связи широко изучаются во всех науках. Несколько инноваций в разработке и внедрении методологии, предназначенной для определения причинности, получили распространение в последние десятилетия. Причинно-следственные связи остаются особенно сложными там, где экспериментирование затруднено или невозможно, что является общим для большинства наук.

Подходы к причинно-следственной связи широко применимы во всех типах научных дисциплин, и многие методы причинно-следственной связи, разработанные для определенных дисциплин, нашли применение в других дисциплинах. В этой статье описывается базовый процесс причинно-следственной связи и подробно описываются некоторые из наиболее традиционных тестов, используемых в различных дисциплинах; однако это не следует ошибочно воспринимать как предположение, что эти методы применимы только к этим дисциплинам, а просто как то, что они наиболее часто используются в этой дисциплине.

Причинно-следственные выводы трудно осуществить, и среди ученых ведутся серьезные дебаты о правильном способе определения причинности. Несмотря на другие инновации, остаются опасения относительно неправильного присвоения учеными коррелятивных результатов как причинных, использования учеными неверных методологий и преднамеренной манипуляции учеными аналитическими результатами с целью получения статистически значимых оценок. Особую обеспокоенность вызывает использование регрессионных моделей, особенно моделей линейной регрессии.

Определение

Вывод о причине чего-либо описывается как:

Методология

Общий

Причинный вывод проводится посредством изучения систем, в которых предполагается, что мера одной переменной влияет на меру другой. Причинный вывод проводится с учетом научного метода . Первым шагом причинного вывода является формулирование фальсифицируемой нулевой гипотезы , которая впоследствии проверяется статистическими методами . Частотный статистический вывод — это использование статистических методов для определения вероятности того, что данные случайно попадают в нулевую гипотезу; байесовский вывод используется для определения эффекта независимой переменной. [5] Статистический вывод обычно используется для определения разницы между вариациями в исходных данных, которые являются случайными вариациями или эффектом четко определенного причинного механизма. Примечательно, что корреляция не подразумевает причинности , поэтому изучение причинности связано с изучением потенциальных причинных механизмов так же, как и с вариацией среди данных. [ необходима цитата ] Часто искомый стандарт причинного вывода — это эксперимент, в котором лечение назначается случайным образом, но все другие сопутствующие факторы остаются постоянными. Большинство усилий в причинном выводе направлены на попытку воспроизвести экспериментальные условия.

Эпидемиологические исследования используют различные эпидемиологические методы сбора и измерения доказательств факторов риска и эффекта, а также различные способы измерения связи между ними. Результаты обзора методов причинно-следственной связи 2020 года показали, что использование существующей литературы для программ клинической подготовки может быть сложным. Это связано с тем, что опубликованные статьи часто предполагают продвинутый технический фон, они могут быть написаны с нескольких статистических, эпидемиологических, компьютерных или философских точек зрения, методологические подходы продолжают быстро расширяться, а многие аспекты причинно-следственной связи получают ограниченное освещение. [6]

Распространенные рамки для причинно-следственной связи включают в себя причинно-следственную модель (компонент-причина), структурную причинно-следственную модель Перла ( причинно-следственная диаграмма + исчисление действий ), структурное моделирование уравнений и причинно-следственную модель Рубина (потенциал-результат), которые часто используются в таких областях, как социальные науки и эпидемиология. [7]

Экспериментальный

Экспериментальная проверка причинных механизмов возможна с использованием экспериментальных методов. Основной мотивацией эксперимента является сохранение других экспериментальных переменных постоянными при целенаправленном манипулировании интересующей переменной. Если эксперимент производит статистически значимые эффекты в результате манипулирования только переменной воздействия, есть основания полагать, что причинный эффект может быть назначен переменной воздействия, предполагая, что были соблюдены другие стандарты экспериментального дизайна.

Квазиэкспериментальный

Квазиэкспериментальная проверка причинно-следственных механизмов проводится, когда традиционные экспериментальные методы недоступны. Это может быть результатом непомерно высоких затрат на проведение эксперимента или изначальной неосуществимости проведения эксперимента, особенно экспериментов, которые связаны с большими системами, такими как экономика избирательных систем, или для методов лечения, которые считаются представляющими опасность для благополучия испытуемых. Квазиэксперименты могут также проводиться, когда информация скрывается по юридическим причинам.

Подходы в эпидемиологии

Эпидемиология изучает закономерности здоровья и болезней в определенных популяциях живых существ с целью выведения причин и следствий. Связь между воздействием предполагаемого фактора риска и болезнью может предполагать, но не эквивалентна причинности, поскольку корреляция не подразумевает причинности . Исторически постулаты Коха использовались с 19 века для определения того, является ли микроорганизм причиной болезни. В 20 веке критерии Брэдфорда Хилла , описанные в 1965 году [8], использовались для оценки причинности переменных за пределами микробиологии, хотя даже эти критерии не являются исключительными способами определения причинности.

В молекулярной эпидемиологии явления изучаются на уровне молекулярной биологии , включая генетику, где биомаркеры являются доказательством причины или следствия.

Недавняя тенденция [ когда? ] заключается в выявлении доказательств влияния воздействия на молекулярную патологию в пораженных тканях или клетках в формирующейся междисциплинарной области молекулярной патологической эпидемиологии (МПЭ). [ необходим сторонний источник ] Связь воздействия с молекулярно-патологическими признаками заболевания может помочь оценить причинно-следственную связь. [ необходим сторонний источник ] Учитывая неотъемлемую природу гетерогенности данного заболевания, уникальный принцип заболевания, фенотипирование и подтипирование заболевания являются тенденциями в биомедицинских науках и науках общественного здравоохранения , примерами которых являются персонализированная медицина и точная медицина . [ необходим сторонний источник ]

Причинно-следственный график, в котором скрытые факторы Z оказывают влияние на наблюдаемые переменные X , результат y и выбор лечения t .

Причинно-следственный вывод также использовался для оценки эффекта лечения. Предполагая набор наблюдаемых симптомов пациента ( X ), вызванных набором скрытых причин ( Z ), мы можем выбрать, давать или не давать лечение t . Результатом предоставления или не предоставления лечения является оценка эффекта y . Если лечение не гарантирует положительного эффекта, то решение о том, следует ли применять лечение или нет, зависит в первую очередь от экспертных знаний, которые охватывают причинно-следственные связи. Для новых заболеваний эти экспертные знания могут быть недоступны. В результате мы полагаемся исключительно на прошлые результаты лечения для принятия решений. Модифицированный вариационный автоэнкодер может использоваться для моделирования причинно-следственного графика, описанного выше. [9] Хотя приведенный выше сценарий можно было бы смоделировать без использования скрытого конфаундера (Z), мы бы потеряли понимание того, что симптомы пациента вместе с другими факторами влияют как на назначение лечения, так и на его результат.

Подходы в информатике

Причинно-следственный вывод является важной концепцией в области каузального искусственного интеллекта . Определение причины и следствия из совместных наблюдательных данных для двух независимых от времени переменных, скажем, X и Y, было выполнено с использованием асимметрии между доказательствами для некоторой модели в направлениях X → Y и Y → X. Основные подходы основаны на моделях теории алгоритмической информации и шумовых моделях. [ необходима ссылка ]

Модели шума

Включить в модель независимый шумовой член, чтобы сравнить данные двух направлений.

Вот некоторые модели шума для гипотезы Y → X с шумом E:

Общими предположениями в этих моделях являются:

На интуитивном уровне идея заключается в том, что факторизация совместного распределения P(Cause, Effect) в P(Cause)*P(Effect | Cause) обычно дает модели с более низкой общей сложностью, чем факторизация в P(Effect)*P(Cause | Effect). Хотя понятие «сложности» интуитивно привлекательно, не очевидно, как его точно определить. [13] Другое семейство методов пытается обнаружить причинные «следы» из больших объемов маркированных данных и позволяет прогнозировать более гибкие причинно-следственные связи. [14]

Подходы в социальных науках

Социальные науки

Социальные науки в целом все больше двигались в сторону включения количественных рамок для оценки причинности. Многое из этого было описано как средство обеспечения большей строгости методологии социальных наук. Политология находилась под значительным влиянием публикации Designing Social Inquiry , Гэри Кинга, Роберта Кеохейна и Сидни Вербы в 1994 году. Кинг, Кеохейн и Верба рекомендуют исследователям применять как количественные, так и качественные методы и использовать язык статистического вывода, чтобы быть более ясными относительно своих предметов интереса и единиц анализа. [15] [16] Сторонники количественных методов также все чаще принимают структуру потенциальных результатов , разработанную Дональдом Рубином , в качестве стандарта для вывода причинности. [ необходима ссылка ]

Хотя большая часть акцента остается на статистическом выводе в рамках потенциальных результатов, методологи социальных наук разработали новые инструменты для проведения причинно-следственной связи с использованием как качественных, так и количественных методов, иногда называемых подходом «смешанных методов». [17] [18] Сторонники различных методологических подходов утверждают, что разные методологии лучше подходят для разных предметов исследования. Социолог Герберт Смит и политологи Джеймс Махони и Гэри Герц процитировали наблюдение Пола Холланда, статистика и автора статьи 1986 года «Статистика и причинно-следственная связь», о том, что статистический вывод наиболее подходит для оценки «следствий причин», а не «причин следствий». [19] [20] Качественные методологи утверждают, что формализованные модели причинно-следственной связи, включая отслеживание процессов и теорию нечетких множеств , предоставляют возможности для вывода причинно-следственной связи посредством идентификации критических факторов в рамках тематических исследований или посредством процесса сравнения нескольких тематических исследований. [16] Эти методологии также ценны для субъектов, в которых ограниченное число потенциальных наблюдений или наличие сопутствующих переменных ограничили бы применимость статистического вывода. [ необходима ссылка ]

В более длительных временных масштабах исследования устойчивости используют причинно-следственные связи для связи исторических событий с более поздними политическими, экономическими и социальными результатами. [21]

Экономика и политология

В экономических и политических науках причинно-следственный вывод часто затруднен из-за сложности реального мира экономических и политических реалий и невозможности воссоздать многие крупномасштабные явления в контролируемых экспериментах. Причинно-следственный вывод в экономических и политических науках продолжает совершенствоваться в методологии и строгости из-за возросшего уровня технологий, доступных социальным ученым, увеличения числа социальных ученых и исследований, а также усовершенствования методологий причинно-следственного вывода во всех социальных науках. [22]

Несмотря на трудности, присущие определению причинно-следственных связей в экономических системах, в этих областях существует несколько широко используемых методов.

Теоретические методы

Экономисты и политологи могут использовать теорию (часто изучаемую в теоретико-ориентированной эконометрике) для оценки величины предположительно причинно-следственных связей в случаях, когда они считают, что причинно-следственная связь существует. [23] Теоретики могут предполагать механизм, который считается причинно-следственной связью, и описывать эффекты с помощью анализа данных для обоснования своей предлагаемой теории. Например, теоретики могут использовать логику для построения модели, например, теоретизировать, что дождь вызывает колебания экономической производительности, но что обратное неверно. [24] Однако использование чисто теоретических утверждений, которые не предлагают никаких прогностических идей, было названо «донаучным», поскольку нет возможности предсказать влияние предполагаемых причинно-следственных свойств. [5] Стоит повторить, что регрессионный анализ в социальных науках по своей сути не подразумевает причинно-следственную связь, поскольку многие явления могут коррелировать в краткосрочной перспективе или в определенных наборах данных, но не демонстрировать никакой корреляции в других временных периодах или других наборах данных. Таким образом, приписывание причинности коррелятивным свойствам преждевременно, поскольку отсутствует четко определенный и обоснованный причинный механизм.

Инструментальные переменные

Метод инструментальных переменных (IV) — это метод определения причинности, который включает устранение корреляции между одной из объясняющих переменных модели и ошибкой модели. Этот метод предполагает, что если ошибка модели движется аналогично изменению другой переменной, то ошибка модели, вероятно, является следствием изменения этой объясняющей переменной. Устранение этой корреляции посредством введения новой инструментальной переменной, таким образом, уменьшает ошибку, присутствующую в модели в целом. [25]

Спецификация модели

Спецификация модели — это процесс выбора модели для использования в анализе данных. Социологи (и, конечно, все ученые) должны определить правильную модель для использования, поскольку разные модели хороши для оценки разных взаимосвязей. [26]

Спецификация модели может быть полезна при определении причинности, которая проявляется медленно, когда эффекты действия в один период ощущаются только в более поздний период. Стоит помнить, что корреляции измеряют только то, имеют ли две переменные схожую дисперсию, а не то, влияют ли они друг на друга в определенном направлении; таким образом, невозможно определить направление причинной связи, основываясь только на корреляциях. Поскольку считается, что причинные действия предшествуют причинным эффектам, социологи могут использовать модель, которая ищет специально эффект одной переменной на другую в течение определенного периода времени. Это приводит к использованию переменных, представляющих явления, происходящие ранее, в качестве эффектов лечения, где эконометрические тесты используются для поиска более поздних изменений в данных, которые приписываются эффекту таких эффектов лечения, где значимое различие в результатах после значимого различия в эффектах лечения может указывать на причинность между эффектами лечения и измеренными эффектами (например, тесты причинности Грейнджера). Такие исследования являются примерами анализа временных рядов . [27]

Анализ чувствительности

Другие переменные, или регрессоры в регрессионном анализе, либо включаются, либо не включаются в различные реализации одной и той же модели, чтобы гарантировать, что различные источники вариации могут быть изучены более отдельно друг от друга. Это форма анализа чувствительности: это исследование того, насколько чувствительна реализация модели к добавлению одной или нескольких новых переменных. [28]

Главной мотивирующей проблемой при использовании анализа чувствительности является стремление обнаружить вмешивающиеся переменные . Вмешивающиеся переменные — это переменные, которые оказывают большое влияние на результаты статистического теста, но не являются переменной, которую пытается изучить причинно-следственный вывод. Вмешивающиеся переменные могут привести к тому, что регрессор будет казаться значимым в одной реализации, но не в другой.

Мультиколлинеарность

Другая причина использования анализа чувствительности — обнаружение мультиколлинеарности . Мультиколлинеарность — это явление, при котором корреляция между двумя объясняющими переменными очень высока. Высокий уровень корреляции между двумя такими переменными может существенно повлиять на результат статистического анализа, где небольшие изменения в сильно коррелированных данных могут перевернуть эффект переменной с положительного направления на отрицательное или наоборот. Это неотъемлемое свойство дисперсионного тестирования. Определение мультиколлинеарности полезно в анализе чувствительности, поскольку исключение сильно коррелированных переменных в различных реализациях модели может предотвратить существенные изменения в результатах, возникающие в результате включения таких переменных. [29]

Однако существуют ограничения способности анализа чувствительности предотвращать пагубные эффекты мультиколлинеарности, особенно в социальных науках, где системы сложны. Поскольку теоретически невозможно включить или даже измерить все сопутствующие факторы в достаточно сложной системе, эконометрические модели подвержены ошибке общей причины, когда причинные эффекты неправильно приписываются неправильной переменной, поскольку правильная переменная не была зафиксирована в исходных данных. Это пример неспособности учесть скрытую переменную . [30]

Эконометрика, основанная на дизайне

В последнее время усовершенствованная методология в эконометрике, основанной на дизайне, популяризировала использование как естественных экспериментов, так и квазиэкспериментальных исследовательских проектов для изучения причинно-следственных механизмов, которые, как считается, такие эксперименты выявляют. [31]

Недобросовестное применение причинно-следственных связей

Несмотря на достижения в разработке методологий, используемых для определения причинности, остаются существенные недостатки в определении причинности. Эти недостатки можно отнести как к неотъемлемой сложности определения причинно-следственных связей в сложных системах, так и к случаям научной халатности.

Помимо трудностей причинно-следственной связи, среди некоторых крупных групп социальных ученых существует мнение, что большое количество ученых в социальных науках придерживаются ненаучной методологии. Критика экономистов и социальных ученых, выдающих описательные исследования за причинные, распространена в этих областях. [5]

Научная халатность и несовершенная методология

В науках, особенно в социальных науках, среди ученых существует обеспокоенность тем, что научная халатность широко распространена. Поскольку научное исследование является широкой темой, теоретически существует безграничное количество способов подорвать причинно-следственный вывод не по вине исследователя. Тем не менее, среди ученых сохраняется обеспокоенность тем, что большое количество исследователей не выполняют основные обязанности или не практикуют достаточно разнообразные методы в причинно-следственном выводе. [32] [22] [33] [ неудавшаяся проверка ] [34]

Одним из ярких примеров распространенной некаузальной методологии является ошибочное предположение о том, что коррелирующие свойства являются каузальными свойствами. В явлениях, которые коррелируют, нет внутренней причинности. Регрессионные модели предназначены для измерения дисперсии в данных относительно теоретической модели: нет ничего, что указывало бы на то, что данные, которые представляют высокие уровни ковариации, имеют какую-либо значимую связь (отсутствие предложенного причинного механизма с предиктивными свойствами или случайного назначения лечения). Было заявлено, что использование несовершенной методологии широко распространено, а распространенными примерами такой халатности являются чрезмерное использование корреляционных моделей, особенно чрезмерное использование регрессионных моделей и, в частности, моделей линейной регрессии. [5] Предположение о том, что два коррелируемых явления по своей сути связаны, является логической ошибкой, известной как ложная корреляция . Некоторые социологи утверждают, что широкое использование методологии, которая приписывает причинность ложным корреляциям, наносит ущерб целостности социальных наук, хотя были отмечены улучшения, вытекающие из лучших методологий. [31]

Потенциальным эффектом научных исследований, которые ошибочно смешивают корреляцию с причинностью, является увеличение числа научных открытий, результаты которых не воспроизводятся третьими лицами. Такая невоспроизводимость является логическим следствием открытий, которые корреляция только временно переобобщаются в механизмы, не имеющие внутренней связи, где новые данные не содержат предыдущих, идиосинкразических корреляций исходных данных. Продолжаются дебаты о влиянии халатности по сравнению с эффектом неотъемлемых трудностей поиска причинности. [35] Критики широко практикуемых методологий утверждают, что исследователи занимались статистическими манипуляциями, чтобы публиковать статьи, которые якобы демонстрируют доказательства причинности, но на самом деле являются примерами ложной корреляции, выдаваемой за доказательства причинности: такие попытки можно назвать P-хакингом . [36] Чтобы предотвратить это, некоторые выступают за то, чтобы исследователи предварительно регистрировали свои исследовательские проекты до их проведения, чтобы они непреднамеренно не переоценивали невоспроизводимые результаты, которые не были первоначальным предметом исследования, но были признаны статистически значимыми в ходе анализа данных. [37]

Смотрите также

Ссылки

  1. ^ Pearl, Judea (1 января 2009 г.). «Причинно-следственные связи в статистике: обзор» (PDF) . Statistics Surveys . 3 : 96–146. doi : 10.1214/09-SS057 . Архивировано (PDF) из оригинала 6 августа 2010 г. . Получено 24 сентября 2012 г. .
  2. ^ Морган, Стивен; Уиншип, Крис (2007). Контрфактуальные и причинно-следственные выводы . Cambridge University Press. ISBN 978-0-521-67193-4.
  3. ^ "причинно-следственный вывод". Encyclopaedia Britannica, Inc. Архивировано из оригинала 3 мая 2015 г. Получено 24 августа 2014 г.
  4. ^ Джон Шонесси; Юджин Цехмейстер; Джин Цехмейстер (2000). Методы исследования в психологии. McGraw-Hill Humanities/Social Sciences/Languages. стр. Глава 1: Введение. ISBN 978-0077825362. Архивировано из оригинала 15 октября 2014 . Получено 24 августа 2014 .
  5. ^ abcd Шродт, Филипп А. (1 марта 2014 г.). «Семь смертных грехов современного количественного политического анализа». Journal of Peace Research . 51 (2): 287–300. doi : 10.1177/0022343313499597. ISSN  0022-3433. S2CID  197658213. Архивировано из оригинала 15 августа 2021 г. . Получено 16 февраля 2021 г. .
  6. ^ Ландситтель, Дуглас; Шривастава, Авантика; Кропф, Кристин (2020). «Обзор методов причинно-следственной связи и связанных с ними образовательных ресурсов». Управление качеством в здравоохранении . 29 (4): 260–269. doi :10.1097/QMH.00000000000000276. ISSN  1063-8628. PMID  32991545. S2CID  222146291. Архивировано из оригинала 15 августа 2021 г. Получено 26 февраля 2021 г.
  7. ^ Гринланд, Сандер; Брамбак, Бабетт (октябрь 2002 г.). «Обзор отношений между методами причинного моделирования». Международный журнал эпидемиологии . 31 (5): 1030–1037. doi : 10.1093/ije/31.5.1030 . ISSN  1464-3685. PMID  12435780.
  8. ^ Хилл, Остин Брэдфорд (1965). «Окружающая среда и болезнь: ассоциация или причинно-следственная связь?». Труды Королевского медицинского общества . 58 (5): 295–300. doi :10.1177/003591576505800503. PMC 1898525. PMID 14283879.  Архивировано из оригинала 19 февраля 2021 г. Получено 25 февраля 2014 г. 
  9. ^ Луизос, Христос; Шалит, Ури; Муидж, Йорис; Зонтаг, Дэвид; Земель, Ричард; Уэллинг, Макс (2017). «Вывод о причинно-следственных связях с использованием моделей с глубокими скрытыми переменными». arXiv : 1705.08821 [stat.ML].
  10. ^ Хойер, Патрик О. и др. «Нелинейное причинное обнаружение с использованием моделей аддитивного шума». Архивировано 2 ноября 2020 г. в Wayback Machine . NIPS. Том 21. 2008.
  11. ^ Shimizu, Shohei; et al. (2011). "DirectLiNGAM: Прямой метод обучения линейной негауссовой структурной модели уравнения" (PDF) . Журнал исследований машинного обучения . 12 : 1225–1248. arXiv : 1101.2489 . Архивировано (PDF) из оригинала 23 июля 2021 г. . Получено 27 июля 2019 г. .
  12. ^ Чжан, Кун и Аапо Хювяринен. «Об идентифицируемости постнелинейной причинной модели. Архивировано 19 октября 2021 г. в Wayback Machine ». Труды Двадцать пятой конференции по неопределенности в искусственном интеллекте. AUAI Press, 2009.
  13. ^ ab Mooij, Joris M., et al. «Вероятностные модели скрытых переменных для различения причины и следствия. Архивировано 22 июля 2020 г. в Wayback Machine ». NIPS. 2010.
  14. ^ Лопес-Пас, Дэвид и др. «К теории обучения причинно-следственному выводу». Архивировано 13 марта 2017 г. в Wayback Machine ICML. 2015 г.
  15. ^ Кинг, Гэри (2012). Проектирование социального исследования: научный вывод в качественном исследовании . Princeton Univ. Press. ISBN 978-0691034713. OCLC  754613241.
  16. ^ ab Mahoney, James (январь 2010 г.). «После KKV». Мировая политика . 62 (1): 120–147. doi :10.1017/S0043887109990220. JSTOR  40646193. S2CID  43923978.
  17. ^ Кресвелл, Джон В.; Кларк, Вики Л. Плано (2011). Разработка и проведение исследований с использованием смешанных методов. SAGE Publications. ISBN 9781412975179. Архивировано из оригинала 21 июля 2021 г. . Получено 23 февраля 2021 г. .
  18. ^ Сирайт, Джейсон (сентябрь 2016 г.). Многометодная социальная наука Джейсона Сирайта. Cambridge Core. doi :10.1017/CBO9781316160831. ISBN 9781316160831. Архивировано из оригинала 21 июля 2021 г. . Получено 18 апреля 2019 г. .
  19. ^ Смит, Герберт Л. (10 февраля 2014 г.). «Эффекты причин и причины эффектов: некоторые замечания с социологической стороны». Социологические методы и исследования . 43 (3): 406–415. doi :10.1177/0049124114521149. PMC 4251584. PMID  25477697 . 
  20. ^ Герц, Гэри; Махони, Джеймс (2006). «Повесть о двух культурах: контрастные количественные и качественные исследования». Политический анализ . 14 (3): 227–249. doi :10.1093/pan/mpj017. ISSN  1047-1987.
  21. ^ Cirone, Alexandra; Pepinsky, Thomas B. (2022). «Историческое постоянство». Annual Review of Political Science . 25 (1): 241–259. doi : 10.1146/annurev-polisci-051120-104325 . ISSN  1094-2939.
  22. ^ ab Angrist, Joshua D.; Pischke, Jörn-Steffen (июнь 2010 г.). «Революция доверия в эмпирической экономике: как лучший дизайн исследования устраняет недостатки эконометрики». Journal of Economic Perspectives . 24 (2): 3–30. doi : 10.1257/jep.24.2.3 . hdl : 1721.1/54195 . ISSN  0895-3309.
  23. ^ Университет Карнеги-Меллона. "Теория причинности - Философский факультет - Дитрихский колледж гуманитарных и социальных наук - Университет Карнеги-Меллона". www.cmu.edu . Архивировано из оригинала 11 июля 2021 г. . Получено 16 февраля 2021 г. .
  24. ^ Саймон, Герберт (1977). Модели открытий . Дордрехт: Springer. С. 52.
  25. ^ Angrist, Joshua D.; Krueger, Alan B. (2001). «Инструментальные переменные и поиск идентификации: от спроса и предложения до естественных экспериментов». Journal of Economic Perspectives . 15 (4): 69–85. doi : 10.1257/jep.15.4.69 . hdl : 1721.1/63775 . Архивировано из оригинала 6 мая 2021 г. Получено 16 февраля 2021 г.
  26. ^ Аллен, Майкл Патрик, ред. (1997), «Спецификация модели в регрессионном анализе», Понимание регрессионного анализа , Бостон, Массачусетс: Springer US, стр. 166–170, doi :10.1007/978-0-585-25657-3_35, ISBN 978-0-585-25657-3, заархивировано из оригинала 15 августа 2021 г. , извлечено 16 февраля 2021 г.
  27. ^ Мазиарц, Мариуш (2020). Философия причинности в экономике: причинные выводы и политические предложения . Нью-Йорк: Routledge.
  28. ^ Сальчиччоли, Джастин Д.; Крутейн, Ив; Коморовски, Матье; Маршалл, Доминик К. (2016), MIT Critical Data (ред.), «Анализ чувствительности и проверка модели», Вторичный анализ электронных медицинских записей , Cham: Springer International Publishing, стр. 263–271, doi : 10.1007/978-3-319-43742-2_17 , ISBN 978-3-319-43742-2, PMID  31314264
  29. ^ Илловски, Барбара (2013). «Вводная статистика». openstax.org . Архивировано из оригинала 6 февраля 2017 г. . Получено 16 февраля 2021 г. .
  30. ^ Хеншен, Тобиас (2018). «Принципиальная неубедительность причинных доказательств в макроэкономике». Европейский журнал философии науки . 8 (3): 709–733. doi :10.1007/s13194-018-0207-7. S2CID  158264284.
  31. ^ ab Angrist Joshua & Pischke Jörn-Steffen (2008). В основном безвредная эконометрика: спутник эмпирика . Принстон: Princeton University Press.
  32. ^ Эйкен, Кристофер Х. (июнь 2002 г.). «К новой политической методологии: микрооснования и ART». Annual Review of Political Science . 5 (1): 423–450. doi : 10.1146/annurev.polisci.5.112801.080943 . ISSN  1094-2939.
  33. ^ Доус, Робин М. (1979). «Надежная красота неправильных линейных моделей в принятии решений». American Psychologist . 34 (7): 571–582. doi :10.1037/0003-066X.34.7.571. Архивировано из оригинала 21 июля 2021 г. Получено 16 февраля 2021 г.
  34. ^ Ванденбрук, Ян П.; Бродбент, Алекс; Пирс, Нил (декабрь 2016 г.). «Причинность и причинный вывод в эпидемиологии: необходимость плюралистического подхода». Международный журнал эпидемиологии . 45 (6): 1776–1786. doi :10.1093/ije/dyv341. ISSN  0300-5771. PMC 5841832. PMID 26800751  . 
  35. ^ Гринланд, Сандер (январь 2017 г.). «За и против методологий: некоторые перспективы недавних дебатов о причинно-следственных связях и статистических выводах». European Journal of Epidemiology . 32 (1): 3–20. doi :10.1007/s10654-017-0230-6. ISSN  1573-7284. PMID  28220361. S2CID  4574751. Архивировано из оригинала 21 июля 2021 г. . Получено 16 февраля 2021 г. .
  36. ^ Доминус, Сьюзен (18 октября 2017 г.). «Когда пришла революция для Эми Кадди». The New York Times . ISSN  0362-4331. Архивировано из оригинала 3 января 2020 г. Получено 2 марта 2019 г.
  37. ^ "Статистический кризис в науке". American Scientist . 6 февраля 2017 г. Архивировано из оригинала 13 августа 2021 г. Получено 18 апреля 2019 г.

Библиография

Внешние ссылки

На Викискладе есть медиафайлы по теме « Причинно-следственные связи» .