Video: DACĂ SUFERI DIN CAUZA CUIVA, URMĂREȘTE MESAJUL ACESTA!💘 🔸tarot 🔸mesaj valabil oricând îl descoperi!🔸 2023, Octombrie
2023 Autor: Noah Black | [email protected]. Modificat ultima dată: 2023-08-25 04:39
Acesta este un fișier din arhivele Enciclopediei de Filozofie din Stanford.
Cauză probabilistică
Publicat pentru prima dată vineri, 11 iulie 1997; revizuire de fond 6 septembrie 2002
„Cauzarea probabilistică” desemnează un grup de teorii filozofice care urmăresc să caracterizeze relația dintre cauză și efect folosind instrumentele teoriei probabilității. Ideea centrală din spatele acestor teorii este că cauzele ridică probabilitățile efectelor lor, toate celelalte fiind egale. O mare parte din activitatea depusă în acest domeniu s-a preocupat de precizarea clauzei ceteris paribus. Acest articol urmărește aceste evoluții, precum și evoluțiile recente, legate de modelarea cauzală. Vor fi, de asemenea, discutate problemele și obiecțiile la teoriile probabilistice ale cauzalității.
1. Introducere și motivație
1.1 Teoriile regularității
1.2 Regularități imperfecte
1.3 Indeterminism
1.4 Asimetrie
1.5 Regularități spuroase
2. Preliminarii
3. Principalele dezvoltări
3.1 Ideea centrală
3.2 Corelații spuroase
3.3 Asimetrie
4. Abordări contrafactuale
5. Modelarea cauzală și cauzarea probabilistică
5.1 Modelarea cauzală
5.2 Condițiile de markov și minimitate
5.3 Ce înseamnă săgețile
5.4 Starea de fidelitate
6. Probleme și probleme suplimentare
6.1 Contextual-unanimitate
6.2 Contraexemple de potențial
6.3 Cauzarea singulară și generală
6.4 Reducere și circularitate
Bibliografie
Alte resurse de internet
Intrări conexe
1. Introducere și motivație
1.1 Teoriile regularității
Potrivit lui David Hume, cauzele sunt urmate invariabil de efectele lor: „Putem defini o cauză pentru a fi un obiect, urmată de un altul și unde toate obiectele similare primului sunt urmate de obiecte similare celui de-al doilea.” (1748, secțiunea VII.) Încercările de a analiza cauzalitatea în termeni de tipare invariabile de succesiune sunt denumite „teorii ale regularității” ale cauzalității. Există o serie de dificultăți bine cunoscute cu teorii despre regularitate și acestea pot fi utilizate pentru a motiva abordările probabilistice ale cauzalității.
Lecturi sugerate: Hume (1748), în special secțiunea VII.
1.2 Regularități imperfecte
Prima dificultate este că majoritatea cauzelor nu sunt urmate invariabil de efectele lor. De exemplu, este acceptat pe scară largă faptul că fumatul este o cauză a cancerului pulmonar, dar este de asemenea recunoscut faptul că nu toți fumătorii dezvoltă cancer pulmonar. (De asemenea, nu toți nefumătorii nu sunt scutite de ravagiile acestei boli.) În schimb, ideea centrală din spatele teoriilor probabiliste ale cauzalității este că cauzele ridică probabilitatea efectelor lor; un efect poate să apară în absența unei cauze sau să nu apară în prezența sa. Astfel, fumatul este o cauză a cancerului pulmonar, nu pentru că toți fumătorii dezvoltă cancer pulmonar, ci pentru că fumătorii sunt mai susceptibili să dezvolte cancer pulmonar decât nefumătorii. Acest lucru este în totalitate în concordanță cu faptul că există unii fumători care evită cancerul pulmonar și alți nefumători care cedează.
Problema regularităților imperfecte nu spune decisiv abordarea de regularitate a cauzalității. Succesorii lui Hume, în special John Stuart Mill și John Mackie, au încercat să ofere conturi mai rafinate despre regularitățile care subscriu relațiile cauzale. Mackie a introdus noțiunea de condiție inus: o condiție inus pentru un efect este o parte insuficientă, dar nu redundantă a unei condiții inutile, dar suficiente. Să presupunem, de exemplu, că o potrivire aprinsă provoacă un incendiu de pădure. Iluminarea meciului, de la sine, nu este suficientă; multe meciuri sunt aprinse fără a produce incendii forestiere. Potrivirea aprinsă este totuși o parte a unor constelații de condiții care sunt suficiente în comun pentru incendiu. Mai mult, având în vedere că au apărut acest set de condiții, mai degrabă decât un alt set suficient pentru foc,iluminarea meciului a fost necesară: incendiile nu se produc în astfel de circumstanțe când nu sunt prezente meciurile aprinse.
Există, totuși, dezavantaje ale acestui tip de abordare. Regularitățile pe care se bazează o cerere cauzală acum se dovedesc a fi mult mai complicate decât ne-am dat seama anterior. În special, această complexitate ridică probleme pentru epistemologia cauzalității. Un apel al teoriei regularității lui Hume este acela că pare să ofere o relatare simplă a modului în care ajungem să știm ce cauzează ceea ce: aflăm că A provoacă B observând că A s sunt urmate invariabil de B s. Luați în considerare din nou cazul fumatului și cancerului pulmonar: pe baza ce dovezi credem că una este o cauză a celuilalt? Nu este faptul că toți fumătorii dezvoltă cancer pulmonar, căci nu observăm că acest lucru este adevărat. Dar nici nu am observat o constelație a afecțiunilor C, astfel încât fumatul este urmat invariabil de cancer pulmonar în prezența C,în timp ce cancerul pulmonar nu apare niciodată în nefumătorii care îndeplinesc condiția C. Mai degrabă, ceea ce observăm este că fumătorii dezvoltă cancer pulmonar cu rate mult mai mari decât nefumătorii; aceasta este dovada prima facie care ne duce să credem că fumatul provoacă cancer pulmonar. Acest lucru se potrivește foarte bine cu abordarea probabilistică a cauzalității.
După cum vom vedea în secțiunea 3.2 de mai jos, totuși, ideea de bază care determină ridicarea probabilității efectelor lor trebuie calificată în mai multe moduri. Până la adăugarea acestor calificări, se pare că teoriile probabilistice ale cauzalității trebuie să facă o mișcare destul de analogă cu apelul lui Mackie la constelațiile condițiilor de fond. Astfel, nu este clar că problema reglementărilor imperfecte, prin ea însăși, oferă vreun motiv real pentru a prefera abordările probabilistice cauzalității decât abordările de regularitate.
Citiri sugerate: versiunile rafinate ale analizei de regularitate se găsesc în Mill (1843), volumul I, capitolul V și în Mackie (1974), capitolul 3. Introducerea Suppes (1970) presează problema regularităților imperfecte.
1.3 Indeterminism
În timp ce abordarea inus a Mackie poate stabili că fumatul provoacă cancer pulmonar, chiar dacă există fumători care nu dezvoltă cancer pulmonar, este necesar să existe o conjuncție de condiții, inclusiv fumatul, după care urmează invariabil cancerul pulmonar. Dar chiar și această regularitate mai specifică poate eșua dacă apariția cancerului pulmonar nu este determinată fizic de aceste afecțiuni. Mai general, abordarea de regularitate face ca cauzalitatea să fie incompatibilă cu indeterminismul: dacă un eveniment nu este determinat să se producă, atunci niciun eveniment nu poate face parte dintr-o condiție suficientă pentru acel eveniment. (Se poate face un punct analog despre necesitate.) Succesul recent al mecanicii cuantice - și într-o măsură mai mică, al altor teorii care folosesc probabilitatea - ne-a zguduit credința în determinism. Astfel, i-a lovit pe mulți filosofi ca de dorit să dezvolte o teorie a cauzalității care nu presupune determinismul.
Mulți filozofi găsesc ideea de cauză indeterministă contraintuitivă. Într-adevăr, cuvântul „cauzalitate” este uneori folosit ca sinonim pentru determinism. Un caz puternic pentru cauzalitate indeterministă poate fi făcută luând în considerare garanția epistemică pentru revendicările cauzale. Acum există dovezi empirice foarte puternice conform cărora fumatul provoacă cancer pulmonar. Cu toate acestea, întrebarea dacă există o relație deterministă între fumat și cancerul pulmonar este larg deschisă. Formarea celulelor canceroase depinde de mutație, care este un candidat puternic pentru a fi un proces indeterminist. Mai mult, dacă un fumător individual dezvoltă cancer pulmonar sau nu depinde de o serie de factori suplimentari, cum ar fi dacă este sau nu lovit de un autobuz înainte de a începe formarea celulelor canceroase. Astfel, prețul păstrării intuiției conform căreia cauzalitatea presupune determinism este agnosticismul chiar și despre revendicările noastre cauzale cele mai bine susținute.
Întrucât teoriile probabiliste ale cauzalității necesită doar ca o cauză să crească probabilitatea efectului său, aceste teorii sunt compatibile cu indeterminismul. Acesta pare a fi un avantaj potențial față de teoriile regularității. Nu este clar, însă, în ce măsură acest avantaj potențial este real. Pe tărâmul microfizicii, unde avem dovezi puternice (dar încă contestabile) de indeterminare, noțiunile noastre cauzale obișnuite nu se aplică cu ușurință. Acest lucru este evidențiat în mod clar în celebrul experiment gândit Einstein, Podolski și Rosen. Pe de altă parte, nu este clar în ce măsură indeterminismul cuantic „percolează” în lumea macrow a fumătorilor și a victimelor cancerului, unde se pare că avem anumite intuiții cauzale clare.
Lecturi sugerate: Humphreys (1989), conține un tratament sensibil al problemelor care implică indeterminism și cauzalitate; vezi mai ales secțiunile 10 și 11. Earman (1986) este un tratament minuțios al problemelor determinismului în fizică.
1.4 Asimetrie
Dacă A provoacă B, de obicei, B nu va provoca, de asemenea, A. Fumatul provoacă cancer pulmonar, dar cancerul pulmonar nu provoacă fumatul. Cu alte cuvinte, cauzalitatea este de obicei asimetrică. Acest lucru poate reprezenta o problemă pentru teoriile regularității, deoarece pare destul de plauzibil că, dacă fumatul este o condiție inusă pentru cancerul pulmonar, atunci cancerul pulmonar va fi o condiție inutilă pentru fumat. Un mod de a impune asimetria cauzalității este de a stabili că cauzele precedă efectele lor în timp. Atât Hume cât și Mill adoptă în mod explicit această strategie. Aceasta prezintă mai multe dezavantaje sistematice. În primul rând, aceasta exclude posibilitatea de a provoca a priori înapoi în timp, în timp ce mulți cred că este doar un fapt contingent care provoacă efectele lor în timp. Al doilea,această abordare exclude posibilitatea dezvoltării unei teorii cauzale a ordinii temporale (pe durerea circulației vicioase), teorie care a părut atractivă pentru unii filozofi. În al treilea rând, ar fi frumos dacă o teorie a cauzalității ar putea oferi o explicație a direcționalității cauzalității, decât să o stipuleze.
Unii susținători ai teoriilor probabiliste ale cauzalității îl urmăresc pe Hume în identificarea direcției cauzale cu direcția temporală. Alții au încercat să folosească resursele teoriei probabilităților pentru a articula o relatare substanțială a asimetriei cauzalității, cu succes mixt. Vom discuta mai mult aceste propuneri în secțiunea 3.3 de mai jos.
Lecturi sugerate: Hausman (1998) conține o discuție detaliată a problemelor care implică asimetria cauzalității. Mackie (1974), capitolul 3, arată cum poate apărea problema asimetriei pentru teoria condițiilor sale inus. Lewis (1986) conține o afirmație foarte scurtă, dar clară a problemei asimetriei.
1.5 Regularități spuroase
Să presupunem că o cauză este urmată regulat de două efecte. De exemplu, să presupunem că ori de câte ori presiunea barometrică într-o anumită regiune scade sub un anumit nivel, se întâmplă două lucruri. În primul rând, înălțimea coloanei de mercur dintr-un barometru anume scade sub un anumit nivel. La scurt timp, are loc o furtună. Această situație este prezentată schematic în figura 1. Apoi, poate fi și cazul în care, de fiecare dată când coloana de mercur scade, va avea loc o furtună. (Mai plauzibil, căderea barometrului va fi o condiție inusă pentru furtună.) Apoi, se pare că o teorie a regularității ar trebui să stăpânească faptul că căderea coloanei de mercur provoacă furtuna. De fapt, însă, regularitatea legată de aceste două evenimente este falsă; nu reflectă influența cauzală a unuia asupra celuilalt.
figura 1
figura 1
Abilitatea de a gestiona astfel de corelații spuroase este probabil cel mai mare succes al teoriilor probabilistice ale cauzalității și rămâne o sursă majoră de atracție pentru astfel de teorii. Vom discuta acest aspect mai detaliat în secțiunea 3.2 de mai jos.
Lecturi sugerate: Mackie (1974), capitolul 3, arată modul în care poate apărea problema regularităților spuroase pentru teoria condițiilor sale inus. Lewis (1986) conține o afirmație foarte scurtă, dar clară, a problemei regularităților spuroase.
2. Preliminarii
Înainte de a preceda dezvoltarea formală a unei teorii probablistice a cauzalității în secțiunea următoare, va fi util să abordăm câteva puncte preliminare. În primul rând, un eveniment dat poate avea multe cauze diferite. Un meci se lovește și se aprinde. Atragerea meciului este o cauză a iluminării sale, dar prezența oxigenului este și ea o cauză, iar pe lângă acestea vor fi multe altele. Uneori, într-o conversație ocazională, ne referim la una sau alta la acestea drept „cauza” iluminării meciului. Ceea ce ne despartim în acest mod poate depinde de interesele noastre, de așteptările noastre, etc. Teoriile filozofice ale cauzalității încearcă în mod normal să analizeze noțiunea de „cauză”. Rețineți, de asemenea, că cauzele pot fi condiții permanente - cum ar fi prezența oxigenului - precum și modificări.
În al doilea rând, este comună distingerea a două tipuri diferite de revendicări cauzale. Afirmațiile cauzale singulare, cum ar fi „fumatul intens al lui Jill în anii ’80 a determinat-o să dezvolte cancer pulmonar”, relatează evenimente particulare care au locații spatiotemporale. (Unii autori susțin că afirmațiile cauzale singulare raportează în schimb fapte.) Când sunt utilizate în acest fel, cauza este un verb de succes: afirmația cauzală singulară presupune că Jill a fumat foarte mult în anii 80 și că a dezvoltat cancer pulmonar. Rețineți că această utilizare este în contradicție cu utilizarea „cauzalității probabilistice” în literatura juridică. Această frază este folosită atunci când un individ este expus la un risc (cum ar fi un cancerigen), indiferent dacă unul de fapt cedează la acel risc. (Problema legală este dacă o persoană care este expusă unui risc este astfel afectată și poate primi compensații pentru expunere.) Revendicările cauzale generale, precum „fumatul cauzează cancer pulmonar” se referă la tipuri sau proprietăți repetabile ale evenimentului. Unii autori au prezentat teorii probabilistice ale cauzalității singulare, alții au avansat teorii probabilistice ale cauzalității generale. Relația dintre cauzalitatea singulară și cea generală este discutată în secțiunea 6.3 de mai jos; după cum vom vedea, se pare că există anumite motive pentru a crede că teoriile probabiliste ale cauzalității sunt mai potrivite pentru analizarea cauzalității generale. Relațiile cauzale - entitățile care stau în relațiile cauzale - sunt gândite în mod diferit ca fiind fapte, evenimente, proprietăți și așa mai departe. Nu voi încerca să mă pronunț între aceste abordări diferite, ci voi folosi termenul generic „factor”. Rețineți, însă, că teoriile probabilistice ale cauzalității necesită ca relata cauzală să fie în linii mari „propozițională” cu caracter:ele sunt un fel de lucruri care pot fi conjugate și negate.
Lecturi sugerate: Mill (1843) conține discuțiile clasice despre „cauza” și „o cauză”. Bennett (1988) este o discuție excelentă despre fapte și evenimente.
3. Principalele dezvoltări
3.1 Ideea centrală
Ideea centrală care determină ridicarea probabilității efectelor lor poate fi exprimată formal folosind aparatul de probabilitate condiționată. Fie A, B, C,… să reprezinte factori care pot sta potențial în relațiile cauzale. Fie P o funcție de probabilitate, care să satisfacă regulile normale ale calculului de probabilitate, astfel încât P (A) să reprezinte probabilitatea empirică ca factorul A să apară sau să fie instanțiat (și, de asemenea, pentru ceilalți factori). Problema modului în care trebuie interpretată probabilitatea empirică nu va fi abordată aici. Folosind notația standard, lăsăm P (B | A) să reprezinte probabilitatea condiționată de B, dată de A. Formal, probabilitatea condițională este definită în mod standard ca un anumit raport de probabilități:
P (B | A) = P (A & B) / P (A).
Ca o ilustrare, să presupunem că aruncăm o moarte corectă. Lăsați A să aterizeze moartea cu un număr egal (2, 4 sau 6) afișat pe fața de sus. Atunci P (A) este o jumătate. Fie B să reprezinte debarcarea matriței cu un număr prim (2, 3 sau 5) care se arată pe fața de sus (pe același rolă). Atunci P (B) este de asemenea o jumătate. Acum probabilitatea condițională P (B | A) este o treime. Probabilitatea ca numărul de pe matriță să fie egal și prim, adică faptul că numărul să fie 2, împărțit la probabilitatea ca numărul să fie egal. Numerotatorul este o șesime, iar numitorul este o jumătate; prin urmare, această probabilitate condițională este de o treime. Conceptul de probabilitate condițională nu are nicio noțiune de ordine temporală sau cauzală. Să presupunem, de exemplu, că matrița este rulată de două ori. Este logic să ne întrebăm despre probabilitatea ca primul rol să fie un număr prim, având în vedere că primul rol este egal; probabilitatea ca cea de-a doua rolă să fie un număr prim, având în vedere că primul rol este egal; și probabilitatea ca primul rolă să fie un număr prim, dat fiind faptul că al doilea rol este egal.
Dacă P (A) este 0, atunci raportul din definiția probabilității condiționale este nedefinit. Există, totuși, alte evoluții tehnice care ne vor permite să definim P (B | A) când P (A) este 0. Cel mai simplu este pur și simplu să luăm probabilitatea condițională ca primitivă și să definim probabilitatea necondiționată ca probabilitate condiționată de tautologie.
Un mod natural de a înțelege ideea că A ridică probabilitatea lui B este că P (B | A)> P (B | not- A). Astfel, o primă încercare la o teorie probabilistică a cauzalității ar fi:
PR: A provoacă B dacă și numai dacă P (B | A)> P (B | not- A).
Această formulare este etichetată PR pentru „Creșterea probabilităților”. Când P (A) este strict între 0 și 1, inegalitatea în PR se dovedește a fi echivalentă cu P (B | A)> P (A) și, de asemenea, cu P (A & B)> P (A) P (B). Când se menține această ultimă relație, se spune că A și B sunt corelate pozitiv. Dacă inegalitatea este inversată, acestea sunt corelate negativ. Dacă A și B sunt corelate pozitiv sau negativ, se spune că acestea sunt probabilistic dependente. Dacă egalitatea se menține, atunci A și B sunt probabilistic independente sau necorelate.
PR abordează problemele regularităților și indeterminării imperfecte, discutate mai sus. Dar nu abordează celelalte două probleme discutate în secțiunea 1 de mai sus. În primul rând, creșterea probabilităților este simetrică: dacă P (B | A)> P (B | not- A), atunci P (A | B)> P (A | not- B). Relația cauzală este totuși asimetrică.
Figura 2
Figura 2
În al doilea rând, PR are probleme cu corelațiile spuroase. Dacă A și B sunt ambele cauzate de un al treilea factor, C, atunci poate fi P (B | A)> P (B | not- A), chiar dacă A nu provoacă B. Această situație este prezentată schematic în figura 2. De exemplu, să fie A un individ care are degetele pete galbene, iar B acel individ are cancer pulmonar. Atunci ne-am aștepta ca P (B | A)> P (B | not- A). Motivul pentru care cei cu degetele pătate de galben sunt mai susceptibili să sufere de cancer pulmonar este că fumatul tinde să producă ambele efecte. Deoarece persoanele cu degetele pătate de galben sunt mai susceptibile de a fi fumători, de asemenea, acestea sunt mai susceptibile să sufere de cancer pulmonar. Intuitiv, modalitatea de a aborda această problemă este de a solicita ca cauzele să crească probabilitățile efectelor lor ceteris paribus. Istoria cauzalității probabilistice este în mare măsură o istorie a încercărilor de soluționare a acestor două probleme centrale.
Citiri sugerate: Pentru o informație despre teoria probabilității de bază, consultați intrarea pentru „calculul probabilității: interpretări ale”. Această intrare conține, de asemenea, o discuție despre interpretarea revendicărilor de probabilitate.
3.2 Corelații spuroase
Hans Reichenbach a introdus terminologia „screening off” pentru a se aplica la un anumit tip de relație probabilistică. Dacă P (B | A & C) = P (B | C), atunci se spune că C ecranează A de pe B. (Când P (A & C)> 0, această egalitate este echivalentă cu P (A & B | C) = P (A | C) P (B | C).) Intuitiv, C face ca A să nu fie relevant probabilistic pentru B. Cu această noțiune în mână, putem încerca să evităm problema corelațiilor spuroase adăugând o condiție „fără depistare” la condiția de bază de creștere a probabilităților:
NSO: Factorul A care apare la momentul t, este cauza factorului B mai târziu dacă și numai dacă:
P (B | A)> P (B | nu-A)
Nu există niciun factor C, care apare mai devreme sau simultan cu A, care afișează A de pe B.
Vom numi aceasta NSO, sau formularea „No Screening Off”. Să presupunem, ca în exemplul nostru de mai sus, că fumatul (C) provoacă atât degetele cu pete galbene (A), cât și cancerul pulmonar (B). Apoi fumatul va detecta degetele cu pete galbene de cancerul pulmonar: dat fiind faptul că un individ fumează, degetele sale pete galbene nu au niciun impact asupra probabilității sale de a dezvolta cancer pulmonar.
A doua condiție a NSO nu este suficientă pentru a rezolva problema corelațiilor spuroase. Această condiție a fost adăugată pentru a elimina cazurile în care corelațiile spuroase dau naștere unor factori care ridică probabilitatea altor factori fără a-i provoca. Corelațiile spuroase pot da naștere și cazurilor în care o cauză nu ridică probabilitatea efectului său. Deci, cauzele autentice nu trebuie să satisfacă prima condiție a NSO. Să presupunem, de exemplu, că fumatul este foarte corelat cu exercițiul fizic: cei care fumează au mult mai multe șanse să facă eforturi fizice. Fumatul este o cauză a bolilor de inimă, dar să presupunem că exercițiile fizice sunt o prevenire și mai puternică a bolilor de inimă. Atunci se poate ca fumătorii să fie, mai ales, mai puțin susceptibili să sufere de boli de inimă decât nefumătorii. Adică, lăsând A să reprezinte fumatul, exercițiul C și bolile de inimă B,P (B | A) <P (B | not- A). De menționat, totuși, că dacă condiționăm dacă exersăm sau nu, această inegalitate este inversată: P (B | A & C)> P (B | nu-A & C) și P (B | A & nu-C)> P (B | not- A & not- C). Astfel de inversări ale inegalităților probabilistice sunt cazuri ale „Paradoxului lui Simpson”.
Următorul pas este înlocuirea condițiilor 1 și 2 cu cerința că cauzele trebuie să crească probabilitatea efectelor lor în situații de testare:
TS: A provoacă B dacă P (B | A & T)> P (B | not- A & T) pentru fiecare situație de testare T.
O situație de testare este o conjuncție de factori. Atunci când o astfel de conjuncție de factori este condiționată, se spune că acești factori sunt „fixați”. Pentru a specifica care vor fi situațiile de testare, trebuie să specificăm care sunt factorii care trebuie menținuți fixați. În exemplul precedent, am văzut că adevărata relevanță cauzală a fumatului pentru cancerul pulmonar a fost dezvăluită atunci când am ținut exercitarea fixă, fie în mod pozitiv (condiționare la C), fie negativ (condiționare a nu-C). Acest lucru sugerează că, în evaluarea relevanței cauzale a lui A pentru B, trebuie să menținem fix și alte cauze ale lui B, pozitiv sau negativ. Cu toate acestea, această sugestie nu este corectă. Fie A și B fumatul, respectiv cancerul pulmonar. Să presupunem că C este un intermediar cauzal, să spunem prezența gudronului în plămâni. Dacă A provoacă B exclusiv prin C, atunci C va afișa A de pe B:având în vedere prezența (absența) cancerigenelor în plămâni, probabilitatea cancerului pulmonar nu este afectată de faptul că acești cancerigeni au ajuns acolo prin fumat (sunt absenți în ciuda fumatului). Astfel, nu vom dori să reținem toate cauzele B care sunt ele însele cauzate de A. Să numim ansamblul tuturor factorilor care sunt cauze ale lui B, dar care nu sunt cauzate de A, setul de cauze independente ale lui B. O situație de testare pentru A și B va fi apoi o conjuncție maximă, fiecare dintre a cărei conjunctă este fie o cauză independentă de B, fie negația unei cauze independente a B. Să numim ansamblul tuturor factorilor care sunt cauze ale lui B, dar care nu sunt cauzate de A, setul de cauze independente ale lui B. O situație de testare pentru A și B va fi apoi o conjuncție maximă, fiecare dintre a cărei conjunctă este fie o cauză independentă de B, fie negația unei cauze independente a B. Să numim ansamblul tuturor factorilor care sunt cauze ale lui B, dar care nu sunt cauzate de A, setul de cauze independente ale lui B. O situație de testare pentru A și B va fi apoi o conjuncție maximă, fiecare dintre a cărei conjunctă este fie o cauză independentă de B, fie negația unei cauze independente a B.
Rețineți că specificația factorilor care trebuie să fie reținute apelează la relațiile cauzale. Acest lucru pare să jefuiască teoria statutului său ca analiză reductivă a cauzalității. Vom vedea, în secțiunea 6.4 de mai jos, că problema este substanțial mai complexă decât aceasta. În orice caz, chiar dacă nu există o reducere a cauzalității la probabilitate, o teorie care detaliază conexiunile sistematice dintre cauzalitate și probabilitate ar fi de mare interes filosofic.
Trecerea de la ideea de bază a PR la formularea complexă a TS este mai degrabă ca trecerea de la teoria originalității inițiale a lui Hume la teoria lui Mackie a condițiilor inus. În ambele cazuri, mișcarea complică substanțial epistemologia cauzalității. Pentru a ști dacă A este o cauză a lui B, trebuie să știm ce se întâmplă în prezența și absența lui B, menținând în același timp o conjuncție complicată de alți factori. Speranța că o teorie probabilistică a cauzalității ne-ar permite să abordăm problema regularităților imperfecte fără a apela la astfel de constelații ale condițiilor de fond pare să nu fi fost luată în considerare. Cu toate acestea, TS pare să ne ofere o teorie care este compatibilă cu indeterminismul și care poate distinge cauzalitatea de corelația spuroasă.
TS poate fi generalizată în cel puțin două moduri importante. În primul rând, putem defini o „cauză negativă” sau „prevenitor” sau „inhibitor” ca un factor care scade probabilitatea „efectului” său în toate situațiile de testare și o cauză „mixtă” sau „interacționând” ca una care afectează probabilitatea „efectului” său în moduri diferite în diferite situații de testare. Ar trebui să fie evident că atunci când se construiesc situații de testare pentru A și B, ar trebui să existe și prevenitoare fixe și cauze mixte ale B care sunt independente de A. Generalizând și mai mult, s-ar putea defini relațiile cauzale între variabilele care nu sunt binare, cum ar fi aportul caloric și tensiunea arterială. În evaluarea relevanței cauzale a lui X pentru Y, va trebui să menținem fixate valorile variabilelor care sunt independente cauzal pentru Y. In principiu,Există infinit de multe moduri în care o variabilă ar putea depinde probabilistic de alta, chiar păstrând o anumită situație de testare. Astfel, odată ce teoria este generalizată pentru a include variabile non-binare, nu va fi posibilă furnizarea unei clasificări înguste a factorilor cauzali în cauze și prevenitori.
Aceste două generalizări aduc o distincție importantă. Este un lucru să ne întrebăm dacă A este relevant cauzal pentru B într-un fel; este altul să ne întrebăm în ce fel este relevant A cauzal pentru B. A spune că A cauzează B este atunci potențial ambiguu: ar putea însemna că A este relevant cauzal pentru B într-un fel sau altul; sau ar putea însemna că A este relevant cauzal pentru B într-un mod particular, că A promovează B sau este un factor pozitiv pentru apariția lui B. De exemplu, dacă A îl împiedică pe B, atunci A va conta ca o cauză a B în primul sens, dar nu în al doilea. Teoriile probabiliste ale cauzalității pot fi utilizate pentru a răspunde la ambele tipuri de întrebări. A este relevant cauzal pentru B dacă A face o anumită diferență pentru probabilitatea de B în unele situații de testare; întrucât A este o cauză pozitivă sau de promovare a B dacă A crește probabilitatea de B în toate situațiile de testare.
Problema corelațiilor spuroase plagionează și anumite versiuni ale teoriei deciziei. Acest lucru se poate întâmpla atunci când alegerea unei acțiuni este simptomatică pentru anumite rezultate bune sau rele, fără a provoca aceste rezultate. (Cel mai cunoscut exemplu de acest gen este Problema lui Newcomb.) În cazuri ca acesta, unele versiuni ale teoriei deciziei par să recomande acelui act, astfel încât să primească vești bune despre evenimentele care nu se pot controla, mai degrabă decât să acționeze astfel încât să se producă evenimente dezirabile care sunt sub controlul cuiva. Ca răspuns, mulți teoreticieni ai deciziei au susținut versiuni ale teoriei deciziei cauzale. Unele versiuni seamănă îndeaproape cu TS.
Citiri sugerate: Această secțiune urmărește mai mult sau mai puțin principalele evoluții din istoria teoriilor probabilistice ale cauzalității. Versiuni ale teoriei NSO se găsesc în Reichenbach (1956, secțiunea 23) și Suppes (1970, capitolul 2). Good (1961, 1962) este un eseu timpuriu despre cauzalitatea probabilistică, bogată în perspective, dar a avut o influență surprinzător de redusă asupra formulării teoriilor ulterioare. Salmon (1980) este o critică influentă a acestor teorii. Primele versiuni ale TS au fost prezentate în Cartwright (1979) și Skyrms (1980). Eells (1991, capitolele 2, 3 și 4) și Hitchcock (1993) realizează cele două generalizări ale TS descrise. Skyrms (1980) prezintă o versiune a teoriei deciziei cauzale care este foarte similară cu TS. A se vedea, de asemenea, intrarea pentru „teoria deciziei: cauzală”.
3.3 Asimetrie
A doua problemă majoră cu ideea de bază de creștere a probabilităților este că relația de creștere a probabilităților este simetrică. Unii susținători ai teoriilor probabiliste ale cauzalității stipulează pur și simplu că cauzele precedă efectele lor în timp. După cum am văzut în secțiunea 1.4 de mai sus, această strategie prezintă o serie de dezavantaje. Rețineți, de asemenea, că, deși alocarea locațiilor temporale anumitor evenimente este în întregime coerentă, nu este atât de clar ce înseamnă să spui că o proprietate sau un tip de eveniment are loc înainte de alta. De exemplu, ce înseamnă să spui că fumatul precede cancerul pulmonar? Au existat multe episoade de fumat și multe de cancer pulmonar, și nu toate au fost apărute înaintea tuturor celor din urmă. Aceasta va fi o problemă pentru cei care sunt interesați să ofere o teorie probabilistică a relațiilor cauzale între proprietăți sau tipuri de evenimente.
Unii apărători ai manipulării sau teoriilor agenției despre cauzalitate au susținut că asimetria necesară este oferită din perspectiva noastră ca agenți. Pentru a evalua dacă A este o cauză a lui B, trebuie să ne întrebăm dacă A crește probabilitatea de B, unde probabilitățile condiționale relevante sunt probabilități de agent: probabilitățile că B ar fi fost A (sau nu - A) să fie realizate prin alegere a unui agent liber. Criticii s-au întrebat exact care sunt aceste probabilități de agent.
Alte abordări încearcă să localizeze asimetria dintre cauză și efect în structura probabilităților în sine. O propunere foarte simplă ar fi rafinarea modului în care sunt construite situațiile de testare. (Vezi secțiunea anterioară pentru discuții despre situațiile de testare.) În evaluarea dacă A este o cauză a lui B, ar trebui să rămânem fixate nu numai cauzele independente ale B, ci și cauzele lui A. Astfel, dacă B este o cauză a A, și nu invers, A nu va crește probabilitatea de B în situația de testare adecvată, deoarece prezența sau absența lui B va fi deja fixată. Această idee este încorporată în condiția cauzală Markov discutată în secțiunea 5 de mai jos. Susținătorii teoriilor probabiliste tradiționale ale cauzalității nu au adoptat această strategie. Acest lucru se poate întâmpla pentru că consideră că această perfecționare ar lua teoria prea aproape de circularitatea vicioasă: pentru a evalua dacă A provoacă B, ar trebui să știm deja dacă B provoacă A.
O abordare mai ambițioasă a problemei asimetriei cauzale se datorează lui Hans Reichenbach. Să presupunem că factorii A și B sunt corelați pozitiv:
1. P (A & B)> P (A) P (B)
Este ușor de observat că acest lucru va ține exact atunci când A crește probabilitatea de B și invers. Să presupunem, în plus, că există un factor C care are următoarele proprietăți:
2. P (A & B | C) = P (A | C) P (B | C)
3. P (A & B | not- C) = P (A | not- C) P (B | not- C)
4. P (A | C)> P (A | not- C)
5. P (B | C)> P (B | not- C).
În acest caz, se spune că trio ACB formează o furcă conjunctivă. Condițiile 2 și 3 stipulează că ecranul C și nu C îl decupează pe A de la B. După cum am văzut, acest lucru se întâmplă uneori atunci când C este o cauză comună a A și B. Condițiile 2 până la 5 implică 1, deci într-un anumit sens C explică corelația dintre A și B. Dacă C apare mai devreme decât A și B și nu există niciun eveniment care să satisfacă 2 până la 5 care să apară mai târziu decât A și B, atunci se spune că ACB formează o furcă conjunctivă deschisă spre viitor. Analog, dacă există un factor viitor care satisface 2 până la 5, dar nu este un factor trecut, avem o furculiță conjunctivă deschisă spre trecut. Dacă un factor C trecut și un viitor factor D satisfac ambii 2 până la 5, ACBD formează o furculiță închisă. Propunerea lui Reichenbach a fost aceea că direcția de la cauză la efect este direcția în care predomină furculițele deschise. În lumea noastră,există multe furci deschise spre viitor, puține sau niciuna deschise spre trecut. Această propunere este strâns legată de Principiul de cauză comună al lui Reichenbach, care spune că dacă A și B sunt corelate pozitiv (adică îndeplinesc condiția 1), există un C, care este atât cauza A cât și B și care le ecranizează. unii de la alții. (În schimb, efectele obișnuite nu scot în general cauzele lor.)
Nu este clar, însă, că această asimetrie între furculițele deschise spre trecut și furculițele deschise spre viitor va fi la fel de omniprezentă pe cât pare să presupună această propunere. În mecanica cuantică, există efecte corelate despre care se crede că nu au nicio cauză comună care le elimină. Mai mult, dacă ACB formează o furcă conjunctivă în care C precede A și B, dar C are un efect deterministic D care apare după A și B, ACBD va forma o furculiță închisă. O altă problemă cu această propunere este aceea că, deoarece oferă o ordonare globală a cauzelor și efectelor, pare să excludă a priori posibilitatea ca unele efecte să poată preceda cauzele lor. Au fost oferite încercări mai complexe de a obține direcția cauzalității din probabilități; problemele de aici se intersectează cu problema reducerii, discutată în secțiunea 6.4 de mai jos.
Citiri sugerate: Suppes (1970, capitolul 2) și Eells (1991, capitolul 5) definesc asimetria cauzală în termeni de asimetrie temporală. Price (1991) apără o relatare a asimetriei cauzale în ceea ce privește probabilitățile de agent; vezi și rubrica „cauzalitate și manipulare”. Propunerea lui Reichenbach este prezentată în (1956, capitolul IV). Câteva dificultăți cu această propunere sunt discutate în Arntzenius (1993); vezi și intrarea sa în această enciclopedie sub „fizică: principiul cauzei comune a lui Reichenbach”. Papineau (1993) este o bună discuție de ansamblu a problemei asimetriei cauzale în teoriile probabiliste. Hausman (1998) este un studiu detaliat al problemei asimetriei cauzale.
4. Abordări contrafactuale
O abordare conducătoare a studiului cauzalității a fost analizarea cauzalității în termeni de condiționări contrafactuale. O condițională contrafactuală este o propoziție condițională subjunctivă, al cărei antecedent este contrar faptului. Iată un exemplu: „dacă buletinul de fluturi nu ar fi fost folosit în West Palm Beach, atunci Albert Gore ar fi președintele Statelor Unite.” În cazul rezultatelor indeterministe, poate fi adecvat să se utilizeze consecințe probabilistice: „dacă buletinul de fluture nu ar fi fost utilizat în West Palm Beach, atunci Albert Gore ar fi avut șansa de a fi ales președinte.” O teorie probabilistică contrafactuală a cauzalității (PC) își propune să analizeze cauzalitatea în termenii acestor contrafactuale probabiliste. Se spune că evenimentul B depinde cauzal de evenimentul A distinct în cazul în care ambele apar și probabilitatea că B să apară, la momentul apariției lui A, era mult mai mare decât ar fi fost la momentul corespunzător dacă A nu ar fi avut a avut loc. Acest contrafactual trebuie înțeles în termeni de lumi posibile: este adevărat dacă, în cea mai apropiată lume posibilă, unde A nu apare, probabilitatea de B este mult mai mică decât a fost în lumea reală. În acest sens, noțiunea relevantă de „creștere a probabilității” nu este înțeleasă în termeni de probabilități condiționale, ci în termeni de probabilități necondiționate în diferite lumi posibile. Situația de testare nu este o conjuncție specificată de factori, ci suma totală a tuturor celor care rămân neschimbate pentru a vă deplasa la cea mai apropiată lume posibilă în care A nu apare. Rețineți că PC-ul este destinat în mod special ca o teorie a cauzalității singulare între evenimente particulare, și nu ca o teorie a cauzalității generale.
Dependența de cauzalitate, așa cum este definită în paragraful precedent, este suficientă, dar nu necesară, pentru cauzalitate. Cauzarea este definită a fi strămoșa dependenței cauzale; adică A provoacă B doar în cazul în care există o secvență de evenimente C 1, C 2,…, C n, astfel încât C 1 depinde cauzal de A, C 2 depinde cauzal de C 1,…, B depinde cauzal de C n. Această modificare garantează că cauzalitatea va fi tranzitivă: dacă A provoacă C, iar C provoacă B, atunci A provoacă B. Această modificare este utilă și în abordarea anumitor probleme discutate în secțiunea 6.2 de mai jos.
Proponenții teoriilor contrafactuale ale cauzalității încearcă să derive asimetria cauzalității dintr-o asimetrie corespunzătoare în valorile de adevăr ale contrafactuale. De exemplu, poate fi adevărat că dacă Mary nu ar fi fumat, ar fi fost mai puțin probabil să dezvolte cancer pulmonar, dar în mod normal nu am fi de acord că dacă Mary nu ar fi dezvoltat cancer pulmonar, ar fi fost mai puțin probabil să fumeze. Contrafactualele obișnuite nu „retrag” din efecte în cauze. Această proscriere împotriva backtracking-ului rezolvă și problema corelațiilor spuroase: nu am spune că, dacă coloana de mecur nu ar fi crescut, atunci scăderea presiunii atmosferice ar fi fost mai puțin probabilă și astfel furtuna ar fi fost și mai puțin probabilă.
O întrebare importantă este dacă contrafactualele care apar în analiza cauzalității pot fi caracterizate fără referire la cauzalitate. Pentru a face acest lucru, trebuie să spunem ce face unele lumi mai apropiate decât altele, fără a face referire la noțiuni cauzale. În ciuda unor încercări interesante, nu este clar dacă se poate face acest lucru. Dacă nu, atunci nu va fi posibil să se furnizeze o analiză redusă a PC-ului de cauzalitate, deși poate fi încă posibilă articularea de interconectări interesante între cauzalitate, probabilitate și contrafactual.
Filozoful Igal Kvart a fost un critic persistent al afirmației că este posibil să se analizeze contrafactualii fără a folosi cauzalitatea. El a dezvoltat o teorie probabilistică a cauzalității singulare care nu folosește contrafactuale. Cu toate acestea, teoria sa are o serie de caracteristici în comun cu teoriile contrafactuale: este o încercare de a analiza cauzalitatea singulară între evenimente; elaborează ideea de bază pentru creșterea probabilităților, în încercarea de a evita unele dintre problemele ridicate în secțiunea 6.2 de mai jos; și aspiră să fie o analiză reductivă a cauzalității, fără a face nicio referire la relațiile cauzale din analize.
Lecturi recomandate: Lewis (1986a) este locus classicus pentru computer. Lewis (1986b) este o încercare de a explica noțiunea de proximitate între lumile posibile. Încercările recente de a analiza cauzalitatea în termeni de contrafactualități probabiliste au devenit destul de complexe; vezi de exemplu Noordhof (1999). Pentru mai multe discuții despre teoriile cauzalității contrafactuale, consultați rubrica „Teoriile cauzalității, contrafactuale”. Pentru teoria lui Kvart, vezi de exemplu Kvart (1997).
5. Modelarea cauzală și cauzarea probabilistică
5.1 Modelarea cauzală
„Modelarea cauzală” este un nou domeniu interdisciplinar dedicat studierii metodelor de inferență cauzală. Acest câmp include contribuții din statistici, inteligență artificială, filozofie, econometrie, epidemiologie și alte discipline. În acest domeniu, programele de cercetare care au atras cel mai mare interes filosofic sunt cele ale informaticienilor Judea Pearl și colaboratorii săi, precum și a filosofilor Peter Spirtes, Clark Glymour și Richard Scheines (SGS). Nu întâmplător, aceste două programe sunt cele mai ambițioase în afirmațiile lor de a dezvolta algoritmi pentru a face inferențe cauzale pe baza datelor statistice. Aceste afirmații au generat multe controverse, adesea destul de aprinse. Specfically,se pare că există o mare rezistență la ideea că procedurile automatizate pot lua locul cunoștințelor de fundal specifice subiectului și a unei bune proiectări experimentale, lucrurile de care a depins întotdeauna inferența cauzală. Într-o oarecare măsură, această dezbatere este una pe accent și publicitate. Atât Pearl, cât și SGS afirmă presupuneri explicite care trebuie făcute înainte ca procedurile lor să dea rezultate. Criticii taxează, în primul rând, că aceste ipoteze sunt îngropate cu caractere fine, în timp ce procedurile automate sunt publicitate cu caractere aldine; și în al doilea rând, faptul că presupunerile cerute sunt rareori satisfăcute în cazuri realiste, ceea ce face ca noile proceduri să fie practic inutile. Aceste taxe sunt ortogonale în ceea ce privește dacă tehnicile funcționează așa cum sunt anunțate atunci când se mențin ipotezele necesare.lucrurile de care inferența cauzală a depins întotdeauna. Într-o oarecare măsură, această dezbatere este una pe accent și publicitate. Atât Pearl, cât și SGS afirmă presupuneri explicite care trebuie făcute înainte ca procedurile lor să dea rezultate. Criticii taxează, în primul rând, că aceste ipoteze sunt îngropate cu caractere fine, în timp ce procedurile automate sunt publicitate cu caractere aldine; și în al doilea rând, faptul că presupunerile cerute sunt rareori satisfăcute în cazuri realiste, ceea ce face ca noile proceduri să fie practic inutile. Aceste taxe sunt ortogonale în ceea ce privește dacă tehnicile funcționează așa cum sunt anunțate atunci când se mențin ipotezele necesare.lucrurile de care inferența cauzală a depins întotdeauna. Într-o oarecare măsură, această dezbatere este una pe accent și publicitate. Atât Pearl, cât și SGS afirmă presupuneri explicite care trebuie făcute înainte ca procedurile lor să dea rezultate. Criticii taxează, în primul rând, că aceste ipoteze sunt îngropate cu caractere fine, în timp ce procedurile automate sunt publicitate cu caractere aldine; și în al doilea rând, faptul că presupunerile cerute sunt rareori satisfăcute în cazuri realiste, ceea ce face ca noile proceduri să fie practic inutile. Aceste taxe sunt ortogonale în ceea ce privește dacă tehnicile funcționează așa cum sunt anunțate atunci când se mențin ipotezele necesare.în primul rând, că aceste ipoteze sunt îngropate cu litere fine, în timp ce procedurile automate sunt publicitate cu caractere aldine; și în al doilea rând, faptul că presupunerile cerute sunt rareori satisfăcute în cazuri realiste, ceea ce face ca noile proceduri să fie practic inutile. Aceste taxe sunt ortogonale în ceea ce privește dacă tehnicile funcționează așa cum sunt anunțate atunci când se mențin ipotezele necesare.în primul rând, că aceste ipoteze sunt îngropate cu litere fine, în timp ce procedurile automate sunt publicitate cu caractere aldine; și în al doilea rând, faptul că presupunerile cerute sunt rareori satisfăcute în cazuri realiste, ceea ce face ca noile proceduri să fie practic inutile. Aceste taxe sunt ortogonale în ceea ce privește dacă tehnicile funcționează așa cum sunt anunțate atunci când se mențin ipotezele necesare.
Preocuparea noastră aici nu va fi cu eficacitatea acestor metode de inferență cauzală, ci mai degrabă cu fundamentele lor filozofice. Vom urmări aici evoluțiile SGS, deoarece acestea seamănă mai puternic cu teoriile probabiliste ale cauzalității descrise în secțiunea 3 de mai sus. (Abordarea lui Pearl, cel puțin în dezvoltarea sa mai recentă, are o legătură mai puternică cu abordările contrafactuale.)
Citirile sugerate: Pearl (2000) și Spirtes, Glymour și Scheines (2000) sunt cele mai detaliate prezentări ale celor două programe de cercetare discutate. Ambele lucrări sunt destul de tehnice, deși epilogul lui Pearl (2000) oferă o introducere istorică foarte ușor de citit în opera lui Pearl. Pearl (1999) conține, de asemenea, o introducere rezonabil accesibilă la unele dintre evoluțiile mai recente ale Pearl. Scheines (1997) este o introducere non-tehnică la unele dintre ideile din SGS (2000). McKim and Turner (1997) este o colecție de lucrări despre modelarea cauzală, incluzând câteva critici importante ale SGS.
5.2 Condițiile de markov și minimitate
Putem prezenta aici doar o privire de ansamblu foarte rudimentară a cadrului SGS. Începem cu un set V de variabile. Setul poate include, de exemplu, variabile reprezentând nivelul educației, veniturile, veniturile parentale și alții, ale unor persoane dintr-o populație. Aceste variabile sunt diferite de factorii care apar în mod normal în teoriile probabilistice ale cauzalității. Factorii sunt variabili ca fiind determinanți la determinabili. „Venitul” este o variabilă; „a avea un venit de 40.000 de dolari pe an” este un factor. Având în vedere un set de variabile, putem defini două structuri matematice diferite peste acest set. În primul rând, un grafic direcționat G pe V este un set de muchii direcționate, sau „săgeți”, având variabilele în Vca vertexurile lor. Variabila X este un „părinte” al lui Y doar în cazul în care există o săgeată de la X la Y. X este un „strămoș” al lui Y (în mod echivalent, Y este un „descendent” al lui X) doar în cazul în care există o „cale direcționată” de la X la Y, formată din săgeți care leagă variabile intermediare. Graficul direcționat este aciclic dacă nu există bucle, adică dacă nicio variabilă nu este un strămoș de sine. În plus față de un grafic aciclic direcționat peste V, avem, de asemenea, o distribuție de probabilitate P peste valorile variabilelor din V.
Graficul aciclic direcționat G peste V poate fi legat de distribuția probabilităților în mai multe moduri. O condiție importantă pe care cei doi ar putea să o satisfacă este așa-numita Condiție Markov:
MC: Pentru fiecare X în V și pentru fiecare set Y de variabile în V / DE (X), P (X | PA (X) & Y) = P (X | PA (X)); unde DE (X) este mulțimea descendenților lui X, iar PA (X) este mulțimea părinților lui X.
Notarea are nevoie de o mică precizare. Luați în considerare, de exemplu, primul termen în egalitate. Deoarece X este o variabilă, nu are sens să vorbim despre probabilitatea X sau despre probabilitatea condiționată de X. Este logic să vorbim despre probabilitatea de a avea un venit de 40.000 de dolari pe an (cel puțin dacă vorbim despre membrii unor populații bine definite), dar nu are sens să vorbim despre probabilitatea de „venit”. (Rețineți că nu ne referim aici la probabilitatea de a avea un venit sau altul. Acea probabilitate este una, presupunând că permitem contorizarea zero ca valoare a venitului.) Această formulare de MC folosește o convenție națională comună. Ori de câte ori apare o variabilă sau un set de variabile, există un cuantificator universal tacit care se încadrează pe valorile variabilei (variabilelor) respective. Astfel, MC ar trebui înțeles ca afirmând o egalitate între două probabilități condiționale care ține pentru toate valorile variabilei X și pentru toate valorile variabilelor din Y și PA (X). În cuvinte, condiția Markov spune că părinții lui X ecran X nu sunt de la toate celelalte variabile, cu excepția descendenților X. Având în vedere valorile variabilelor care sunt părinți ale lui X, valorile variabilelor din Y (care nu include niciun descendent al lui X), nu fac nicio diferență suplimentară cu probabilitatea ca X să își asume vreo valoare dată.
După cum sa menționat, Condiția Markov descrie o relație pur formală între entitățile abstracte. Să presupunem, totuși, că oferim graficului și distribuției probabilităților interpretări empirice. Graficul va reprezenta relațiile cauzale între variabilele dintr-o populație, iar distribuția probabilității va reprezenta probabilitatea empirică ca un individ din populație să posede anumite valori ale variabilelor relevante. Când graficului direcționat i se oferă o interpretare cauzală, se numește grafic cauzal. Vom reveni în scurt timp la întrebarea ce reprezintă, exact, săgețile dintr-un grafic cauzal.
Condiția Causal Markov (CMC) afirmă că MC deține o populație atunci când graficul direcționat și distribuția probabilității sunt date aceste interpretări. CMC nu ține în general, ci doar atunci când sunt îndeplinite anumite condiții suplimentare. De exemplu, V trebuie să includă toate cauzele comune ale variabilelor care sunt incluse în V. Să presupunem, de exemplu, că V = {X, Y}, că niciuna dintre variabile nu este o cauză a celeilalte și că Z este o cauză comună a lui X și Y (adevărata structură cauzală este prezentată în figura 3 de mai jos). Graficul cauzal corect pe Vnu vor include săgeți, deoarece nici X, nici Y nu îl provoacă pe celălalt. Dar X și Y vor fi corelați probabilistic, din cauza cauzei comune de bază. Aceasta este o încălcare a CMC. Deoarece graficul cauzal corect pe {X, Y} nu are săgeți, X nu are părinți sau descendenți; deci CMC implică faptul că P (X | Y) = P (X). Această egalitate este falsă, deoarece X și Y sunt de fapt corelate. CMC poate eșua și pentru anumite tipuri de populații eterogene, compuse din subpopulații cu structuri cauzale diferențiale. Și CMC va eșua pentru anumite sisteme cuantice. Un domeniu de controversă se referă la măsura în care populațiile reale satisfac CMC în ceea ce privește tipurile de seturi variabile care sunt de obicei folosite în investigațiile empirice. În scopuri de discuții suplimentare, vom presupune că CMC deține.
Figura 3
Figura 3
Condiția Causal Markov este o generalizare a Principiului cauzei comune a lui Reichenbach, discutată în secțiunea 3.3 de mai sus. Iată câteva ilustrații despre modul în care funcționează.
Figura 4
Figura 4
În Figurile 3 și 4, CMC presupune ca valorile lui Z să elimine valorile lui X de la valorile Y.
Figura 5
Figura 5
Figura 6
Figura 6
În figurile 5 și 6, CMC implică din nou ca valorile Z să ecranizeze valorile X de la valorile Y. Cu toate acestea, CMC nu implică faptul că valorile W ecranează valorile X din valorile Y din figura 5, în timp ce implică faptul că valorile lui W ecranează valorile X din valorile Y din figura 6. Acest lucru arată că a fi o cauză comună a lui X și Y nu este nici necesară, nici suficientă pentru depistarea valorilor acestor variabile.
Figura 7
Figura 7
În figura 7, atât Z, cât și W sunt cauze comune ale X și Y, cu toate acestea CMC nu implică faptul că niciuna dintre ele, de la sine, este suficientă pentru a afișa valorile X și Y. Acest lucru pare rezonabil: dacă menținem fixă valoarea lui Z, ar trebui să ne așteptăm ca X și Y să rămână corelați datorită acțiunii lui W. CMC implică faptul că Z și W ecranizează împreună X și Y; adică atunci când condiționăm valorile lui Z și W, nu va exista o corelație reziduală între X și Y.
O a doua relație importantă între un grafic direcționat și distribuția probabilităților este condiția de minimitate. Să presupunem că graficul direcționat G pe setul variabil V satisface condiția Markov în ceea ce privește distribuția de probabilitate P. Condiția de minimitate afirmă că niciun sub-grafic al lui G peste V nu satisface și condiția Markov în ceea ce privește P. Condiția de minimitate cauzală afirmă că condiția de minimitate este valabilă atunci când Giar P sunt date interpretările lor empirice Ca o ilustrare, ia în considerare setul de variabile {X, Y}, să existe o săgeată de la X la Y și să presupunem că X și Y sunt probabilistic independenți unul de celălalt în P. Acest grafic ar satisface Condiția Markov în ceea ce privește P: niciuna dintre relațiile de independență mandatate de MC nu sunt absente (de fapt, MC nu are relații de independență). Dar acest grafic ar încălca Condiția de minimitate în raport cu P, deoarece subgraful care omite săgeata de la X la Y ar satisface și Condiția Markov.
Lecturi sugerate: Spirtes, Glymour and Scheines (2000) și Scheines (1997). Hausman și Woodward (1999) oferă o discuție detaliată a stării cauzale Markov.
5.3 Ce înseamnă săgețile
Acum suntem într-o poziție mai bună pentru a spune ceva despre ce înseamnă săgețile dintr-un grafic cauzal. Mai întâi luați în considerare un grafic simplu cu două variabile X și Y și o săgeată de la X la Y. Condiția de minimitate impune ca cele două variabile să nu fie independente probabilistic. Aceasta înseamnă că trebuie să existe valori x și x 'ale lui X și ale lui Y, astfel încât
P (Y = y | X = x)
nu =
P (Y = y | X = x ').
Acest lucru nu spune nimic despre modul în care X poartă pe Y. Să presupunem, de exemplu, că avem un model cu trei variabile, incluzând variabilele fumatul, exercițiul fizic și bolile de inimă. Graficul cauzal ar include (probabil) o săgeată de la fumat la boli de inimă și o săgeată de la exerciții fizice la boli de inimă. Nimic din grafic nu indică faptul că nivelurile crescute de fumat cresc riscul și severitatea bolilor de inimă, în timp ce nivelurile crescute de exerciții fizice (până la un punct, oricum) scad riscul și severitatea bolilor de inimă. Astfel, o săgeată dintr-un grafic cauzal indică doar faptul că o variabilă este relevantă pentru alta și nu spune nimic despre modul în care este relevantă (indiferent dacă este o cauză care promovează, inhibă sau interacționează sau se află într-o relație mai complexă).
Figura 8
Figura 8
Luați în considerare figura 8. Rețineți că diferă de figura 4, deoarece există o săgeată suplimentară care rulează direct de la X la Y. Ce indică această săgeată de la X la Y? Nu înseamnă doar că X este relevant cauzal pentru Y; în figura 4, este firesc să ne așteptăm ca X să fie relevant pentru Y prin efectul său asupra Z. Aplicând condițiile de cauză Markov și Minimality, săgeata de la X la Y indică faptul că Y este probabilistic dependentă de X, chiar și atunci când menținem fixă valoarea lui Z. Adică X face o diferență probabilistică pentru Y, peste și peste diferența pe care o face în virtutea efectului său asupra lui Z. Figura 8 indică, așadar, că X are un efect asupra lui Y prin două rute diferite: o rută care trece prin variabila Z și cealaltă rută care este directă, adică, nemediată de orice altă variabilă din V. Ca ilustrare, luați în considerare un exemplu binecunoscut datorită lui Germund Hesslow. Consumul de pilule anticonceptionale (X) este un factor de risc pentru tromboză (Y). Pe de altă parte, anticonceptionalele sunt un prevenitor eficient al sarcinii (Z), ceea ce este la rândul său un puternic factor de risc pentru tromboză. Utilizarea pilulelor anticoncepționale poate afecta astfel șansele de a suferi de tromboză în două moduri diferite, una „directă” și una prin efectul pastilelor asupra șanselor de a rămâne însărcinată. Dacă pilulele anticonceptionale cresc sau scad probabilitatea trombozei în general va depinde de punctele forte ale acestor două rute. Teoriile probabilistice ale cauzalității descrise în secțiunea 3 de mai sus sunt potrivite pentru a analiza efectul total sau net al unui factor sau variabil asupra altui,în timp ce tehnicile de modelare cauzală discutate în această secțiune sunt orientate în primul rând către descompunerea unui sistem cauzal pe căi individuale de influență cauzală.
Citiri sugerate: Exemplul pilulelor anticonceptionale a fost prezentat inițial în Hesslow (1976). Hitchcock (2001a) discută distincția dintre efectul total sau net și influența cauzală de-a lungul rutelor individuale.
5.4 Starea de fidelitate
O condiție finală prin care SGS folosește pe scară largă este Starea de credință. (Voi renunța la distincția dintre versiunile cauzale și non-cauzale.) Condiția de credință spune că toate independențele (condiționale și necondiționate) probabilistice care există între variabilele din V sunt impuse de Condiția Causal Markov. De exemplu, să presupunem că V= {X, Y, Z}. Să presupunem, de asemenea, că X și Y sunt independenți necondiționat unul de altul, dar dependenți, condiționat de Z. (Celelalte două perechi de variabile sunt dependente, atât condițional, cât și necondiționat.) Graficul prezentat în figura 8 nu satisface condiția de fidelitate în raport cu această distribuție (coloidal, graficul nu este fidel distribuției). CMC, atunci când este aplicat pe graficul din figura 8, nu implică independența lui X și Y. În schimb, graficul prezentat în figura 9 este fidel distribuției descrise. Rețineți că figura 8 satisface condiția de minimitate; nicio subgrafă nu satisface CMC în ceea ce privește distribuția descrisă. (Graficul din figura 9 nu este o subgrafă a graficului din figura 8.)
Figura 9
Figura 9
Condiția de credință implică faptul că influențele cauzale ale unei variabile pe alta de-a lungul mai multor rute cauzale nu se „anulează”. De exemplu, să presupunem că figura 8 reprezintă corect structura cauzală care stă la baza. Atunci Condiția de credință implică faptul că X și Y nu pot fi independenți necondiționat unul de altul în distribuția empirică. În exemplul lui Hesslow, acest lucru înseamnă că tendința pilulelor anticonceptionale de a provoca tromboză pe calea directă nu poate fi anulată exact prin tendința pilulelor anticonceptionale de a preveni tromboza prin prevenirea sarcinii. Această condiție „fără anulare” pare imposibilă ca o limitare metafizică sau conceptuală a conexiunii dintre cauzalitate și probabilități. De ce nu se pot anula reciproc căile cauzale concurente? Într-adevăr, fizica newtoniană ne oferă un exemplu:forța descendentă pe corpul meu datorită gravitației declanșează o forță ascendentă egală și opusă asupra corpului meu de la podea. Corpul meu răspunde de parcă nici o forță nu ar acționa asupra lui. Condiția de credință pare mai degrabă un principiu metodologic. Având în vedere o distribuție pe {X, Y, Z} în care X și Y sunt independente, ar trebui să deducem că structura cauzală este cea descrisă în figura 9, mai degrabă decât în figura 8. Aceasta nu se datorează faptului că figura 8 este exclusă de către distribuție, ci mai degrabă pentru că este gratuit complex: postulează conexiuni cauzale care nu sunt necesare pentru a explica modelul de bază al dependențelor probabilistice. Condiția de credință este, așadar, o versiune formală a rasului lui Ockham. Corpul meu răspunde de parcă nici o forță nu ar acționa asupra lui. Condiția de credință pare mai degrabă un principiu metodologic. Având în vedere o distribuție pe {X, Y, Z} în care X și Y sunt independente, ar trebui să deducem că structura cauzală este cea descrisă în figura 9, mai degrabă decât în figura 8. Aceasta nu se datorează faptului că figura 8 este exclusă de către distribuție, ci mai degrabă pentru că este gratuit complex: postulează conexiuni cauzale care nu sunt necesare pentru a explica modelul de bază al dependențelor probabilistice. Condiția de credință este, așadar, o versiune formală a rasului lui Ockham. Corpul meu răspunde de parcă nici o forță nu ar acționa asupra lui. Condiția de credință pare mai degrabă un principiu metodologic. Având în vedere o distribuție pe {X, Y, Z} în care X și Y sunt independente, ar trebui să deducem că structura cauzală este cea descrisă în figura 9, mai degrabă decât în figura 8. Aceasta nu se datorează faptului că figura 8 este exclusă de către distribuție, ci mai degrabă pentru că este gratuit complex: postulează conexiuni cauzale care nu sunt necesare pentru a explica modelul de bază al dependențelor probabilistice. Condiția de credință este, așadar, o versiune formală a rasului lui Ockham.ar trebui să deducem că structura cauzală este cea descrisă în figura 9, mai degrabă decât în figura 8. Aceasta nu se datorează faptului că figura 8 este exclusă în mod concludent de distribuție, ci mai degrabă pentru că este gratuit de complex: postulează conexiuni cauzale care nu sunt necesare explicați modelul de bază al dependențelor probabilistice. Condiția de credință este, așadar, o versiune formală a rasului lui Ockham.ar trebui să deducem că structura cauzală este cea descrisă în figura 9, mai degrabă decât în figura 8. Aceasta nu se datorează faptului că figura 8 este exclusă în mod concludent de distribuție, ci mai degrabă pentru că este gratuit de complex: postulează conexiuni cauzale care nu sunt necesare explicați modelul de bază al dependențelor probabilistice. Condiția de credință este, așadar, o versiune formală a rasului lui Ockham.
SGS utilizează condițiile de cauzalitate Markov, minimalitate și credinciozitate pentru a demonstra o varietate de teoreme statistice de indistinguibilitate. Aceste teoreme ne spun când două structuri cauzale distincte pot fi sau nu pot fi distinse pe baza distribuțiilor de probabilitate la care se nasc. Vom reveni la această problemă în secțiunea 6.4 de mai jos.
Lecturi sugerate: Spirtes, Glymour and Scheines (2000) și Scheines (1997).
6. Probleme și probleme suplimentare
6.1 Contextual-unanimitate
Conform TS, o cauză trebuie să crească probabilitatea efectului său în fiecare situație de testare. Aceasta a fost numită cerința unanimității contextuale. Această cerință este vulnerabilă la următorul tip de contraexemplu. Să presupunem că există o genă care are următorul efect: cei care posedă gena au șansele lor de a contracta cancerul pulmonar scăzut atunci când fumează. Această genă este foarte rară, să ne imaginăm (într-adevăr, nu trebuie să existe deloc în populația umană, atât timp cât oamenii au o probabilitate de zero de a deține această genă, poate ca urmare a unei mutații foarte improbabile). În acest scenariu, ar exista situații de testare (cele care țin fix prezența genei) în care fumatul scade probabilitatea de cancer pulmonar: fumatul nu ar fi o cauză de cancer pulmonar în conformitate cu cerința de unanimitate a contextului. Cu toate acestea, pare puțin probabil ca descoperirea unei astfel de gene (sau a simplei posibilități de apariție a acesteia) să ne conducă să renunțăm la afirmația că fumatul provoacă cancer pulmonar.
Această linie de obiecție are cu siguranță dreptate cu privire la utilizarea noastră obișnuită a limbajului cauzal. Cu toate acestea, este deschisă apărătorului unanimității contextului să răspundă că este interesată să furnizeze un concept precis care să înlocuiască noțiunea vagă de cauzalitate care corespunde utilizării noastre de zi cu zi. Într-o populație formată din indivizi lipsiți de genă, fumatul provoacă cancer pulmonar. Într-o populație formată în întregime din indivizi care dețin gena, fumatul previne cancerul pulmonar.
Rețineți că această dispută apare numai în contextul unei populații eterogene. Limitându-ne la o anumită situație de testare, ambele părți pot fi de acord că fumatul provoacă cancer pulmonar în acea populație de testare în cazul în care crește probabilitatea de cancer pulmonar în acea situație de testare.
Poziția unuia în această dezbatere va depinde, în parte, de modul în care cineva dorește să utilizeze afirmații cauzale generale, cum ar fi „fumatul provoacă cancer pulmonar”. Dacă cineva le consideră drept legi cauzale, atunci cerința de unanimitate contextuală poate părea atractivă. Dacă „fumatul provoacă cancer pulmonar” este un fel de lege, atunci adevărul său nu ar trebui să depindă de penuria genei care inversează efectele fumatului. În schimb, se poate înțelege revendicarea cauzală într-un mod mai practic, tratând-o ca un fel de principiu de orientare a politicilor. Deoarece gena în cauză este foarte rară, ar fi rațional ca organizațiile de sănătate publică să promoveze politici care să reducă incidența fumatului.
Lecturi recomandate: Dupré; (1984) prezintă această provocare cerinței de unanimitate a contextului și oferă o alternativă. Eells (1991, capitolele 1 și 2), apără unanimitatea contextului folosind ideea că revendicările cauzale sunt făcute în raport cu o populație. Hitchock (2001b) conține discuții suplimentare și dezvoltă ideea de a trata revendicările cauzale generale ca principii de orientare a politicilor.
6.2 Contraexemple de potențial
Având în vedere ideea de bază de creștere a probabilităților, ne-am aștepta ca contraexemplele putative la teoriile probabilistice ale cauzalității să fie de două tipuri de bază: cazurile în care cauzele nu reușesc să ridice probabilitățile efectelor lor și cazurile în care non-cauzele ridică probabilitățile de a nu avea efecte. Discuțiile din literatura de specialitate s-au concentrat aproape în întregime pe primul tip de exemplu. Luați în considerare următorul exemplu, datorită Deborah Rosen. Un jucător de golf goleste o minge de golf, care se îndreaptă spre aspru, dar apoi sări de pe un copac și în cupă pentru o gaură într-unul singur. Felia jucătorului de golf a scăzut probabilitatea ca mingea să se încheie în cupă, dar totuși a provocat acest rezultat. O modalitate de a evita această problemă este de a asista la probabilitățile care sunt comparate. Dacă etichetăm felia A, nu- A este o disjuncție a mai multor alternative. O astfel de alternativă este o lovitură curată - în comparație cu această alternativă, felia a scăzut probabilitatea unei găuri în unu. O altă alternativă nu este deloc împușcată, în raport cu care felia crește probabilitatea unei găuri în unu. Făcând acest ultim tip de comparație, ne putem recupera intuițiile originale despre acest exemplu.
Un alt tip de contraexemplu implică preeminarea cauzală. Să presupunem că un asasin pune o otravă slabă în băutura regelui, ceea ce duce la o șansă de 30% de moarte. Regele bea otrava și moare. Dacă asasinul nu ar fi otrăvit băutura, asociatul ei ar fi picat băutura cu un elixir și mai mortal (70% șanse de moarte). În exemplu, asasinul l-a determinat pe rege să moară, otrăvindu-și băutura, chiar dacă ea și-a redus șansa de moarte (de la 70% la 30%). Aici cauza a scăzut probabilitatea morții, deoarece a preîntâmpinat o cauză și mai puternică.
O abordare a acestei probleme, încorporată în abordarea contrafactuală descrisă în secțiunea 4 de mai sus, este să invocăm principiul tranzitivității cauzalității. Acțiunea asasinului a crescut probabilitatea și, prin urmare, a provocat prezența unei otravuri slabe în băutura regelui. Prezența unei otravi slabe în băutura regelui a ridicat probabilitatea morții regelui și, prin urmare, a cauzat-o. (Până la acest moment, este deja stabilit că asociatul nu va otrăvi băutura.) Prin tranzitivitate, acțiunea asasinului a provocat moartea regelui. Afirmația conform căreia cauzalitatea este tranzitivă este însă foarte controversată și este supusă multor contraexemple de convingere.
O altă abordare ar fi invocarea unei distincții introduse în secțiunea 5.3 de mai sus. Acțiunea asasinului afectează șansele de moarte ale regelui în două moduri distincte: în primul rând, introduce otrava slabă în băutura regelui; în al doilea rând, previne introducerea unei otravi mai puternice. Efectul net este de a reduce șansa de moarte a regelui. Cu toate acestea, putem izola primul dintre aceste efecte (care ar fi indicate printr-o săgeată dintr-un grafic cauzal). Facem acest lucru menținând fixă inacțiunea asociatului: având în vedere că asociatul nu a otrăvit băutura, acțiunea asasinului a mărit șansa de moarte a regelui (de la aproape zero la.3). Contabilizăm acțiunea asasinului ca o cauză a morții, deoarece a crescut șansa morții de-a lungul uneia dintre rutele care leagă cele două evenimente.
Pentru un contraexemplu de cel de-al doilea tip, să presupunem că doi oameni de armă trag la o țintă. Fiecare are o anumită probabilitate de lovire și o anumită probabilitate de a lipsi. Presupunem că niciuna dintre probabilități nu este una sau zero. De fapt, primul pistolar lovește, iar cel de-al doilea armean ratează. Cu toate acestea, cel de-al doilea pistolar a dat foc și, prin tragere, a crescut probabilitatea ca ținta să fie lovită, care a fost. Deși este în mod evident greșit să spunem că lovitura celui de-al doilea pistol a determinat lovirea țintei, se pare că o consecință probabilistă a teoriei cauzalității este angajată. O abordare firească a acestei probleme ar fi încercarea de a combina teoria probabilistică a cauzalității cu o cerință a conexiunii spatiotemporale între cauză și efect, deși nu este deloc clar cum ar funcționa această teorie hibridă.
Citiri sugerate:Exemplul mingii de golf, datorat lui Deborah Rosen, este prezentat pentru prima dată în Suppes (1970) Somon (1980) prezintă câteva exemple de cauze ale scăderii probabilității. Hitchcock (1995) prezintă un răspuns. Lewis (1986a) discută cazuri de preemisiune, a se vedea, de asemenea, intrarea pentru „cauzalitate: teorii contrafactuale.” Hithcock (2001a) prezintă soluția în ceea ce privește descompunerea în rutele cauzale componente. Woodward (1990) descrie structura inițiată în exemplul celor doi oameni de armă. Humphreys (1989, secțiunea 14) răspunde. Menzies (1989, 1996) discută exemple care implică preempțiunea cauzală în care ne-cauzele ridică probabilitățile de a nu avea efecte. Hitchcock (2002) oferă o discuție generală a acestor contraexemple. Pentru o discuție despre încercările de a analiza cauza și efectul în termeni de procese contigue, a se vedea rubrica „cauzalitate:procese cauzale.”
6.3 Cauzarea singulară și generală
Am observat în secțiunea 2 de mai sus că facem cel puțin două tipuri diferite de revendicări cauzale, singulare și generale. Având în vedere această distincție, putem observa că contraexemplele menționate în secțiunea anterioară sunt toate formulate în termeni de cauzalitate singulară. Așadar, o posibilă reacție la contraexemplele secțiunii anterioare ar fi să susținem că o teorie probabilistică a cauzalității este potrivită numai pentru cauzalitate generală și că cauzalitatea singulară necesită o teorie filozofică distinctă. O consecință a acestei mișcări este că există (cel puțin) două specii distincte de relație cauzală, fiecare necesitând propriul său cont filosofic - nu o situație cu totul fericită.
Lecturi sugerate: nevoia de teorii distincte a cauzalității singulare și generale este apărată în Bune (1961, 1962), Sober (1985) și Eells (1991, introducere și capitolul 6). Eells (1991, capitolul 6) oferă o teorie probabilistică distinctă a cauzalității singulare în ceea ce privește evoluția temporală a probabilităților. Carroll (1991) și Hitchcock (1995) oferă două linii de răspuns destul de diferite. Hitchcock (2001b) susține că există cu adevărat (cel puțin) două distincții diferite aici.
6.4 Reducere și circularitate
Revenind la teoriile prezentate în secțiunea 3, amintim că teoria NSO a fost o încercare de analiză reductivă a cauzalității în termeni de probabilități (și poate și de ordine temporală). În schimb, TS definește relațiile cauzale în termeni de probabilități condiționate de specificațiile condițiilor de testare, care sunt ele însele caracterizate în termeni cauzali. Astfel, se pare că ultimele teorii nu pot fi analize ale cauzalității, deoarece cauzalitatea apare în analize. Având în vedere că TS conține îmbunătățiri foarte necesare în ceea ce privește NSO, se pare că nu poate exista nicio reducere a cauzalității la probabilități. Totuși, acest lucru poate renunța prea curând. Pentru a determina dacă este posibilă o reducere probabilistică a cauzalității, problema centrală nu este dacă apare cuvântul „cauză” atât în analiză cât și în analize; mai degraba,întrebarea cheie ar trebui să fie dacă, având în vedere o atribuire a probabilităților la un set de factori, există un set unic de relații cauzale între acești factori compatibili cu atribuirea probabilității și teoria în cauză.
Cea mai importantă lucrare de-a lungul acestor linii a fost realizată de Spirtes, Glymour și Scheines. În loc să raportăm detaliile rezultatelor lor, prezentăm aici o discuție mai generalizată. Să presupunem că este dat un set de factori și un sistem de relații cauzale între acești factori: numiți aceasta structura cauzală CS. Fie T o teorie care leagă relațiile cauzale între factori și relațiile probabiliste între factori. Atunci structura cauzală CS va fi probabilistică diferențiată în raport cu T, dacă pentru fiecare alocare de probabilități factorilor din CS care este compatibil cu CS și T, CS este structura cauzală unică compatibilă cu T și acele probabilități. (S-ar putea formula un sens mai slab al diferențierii prin necesitatea ca doar o anumită atribuire de probabilități să determine în mod unic CS). intuitiv,T vă permite să deducem că structura cauzală este de fapt CS având în vedere relațiile de probabilitate dintre factori. Având în vedere o teorie probabilistică a cauzalității T, este posibil să ne imaginăm multe proprietăți diferite pe care le-ar putea avea. Iată câteva posibilități:
Toate structurile cauzale se pot distinge probabilistic în raport cu T
Toate structurile cauzale care au unele proprietăți interesante se pot distinge probabilistic în raport cu T
Orice structură cauzală poate fi încorporată într-o structură cauzală care se poate distinge probabilistic în raport cu T
Structura cauzală reală a lumii (presupunând că există un astfel de lucru) se poate distinge probabilistic în raport cu T.
Nu este evident ce tip de proprietăți de distingere trebuie să aibă o teorie pentru a constitui o reducere a cauzalității la probabilități. Întrebarea dacă cauzalitatea poate fi redusă la probabilități este astfel mai puțin univocă decât ar putea părea.
Citiri sugerate: Tratamentul cel mai detaliat al caracteristicii probabilistice este dat în Spirtes, Glymour și Scheines (2000); vezi în special capitolul 4. Spirtes, Glymour și Scheines dovedesc (teorema 4.6) un rezultat de-a lungul liniilor 3 pentru o teorie pe care o propun. Această lucrare este foarte tehnică. O prezentare accesibilă este cuprinsă în Papineau (1993), care apără o poziție de-a lungul liniilor 4.
Bibliografie
Arntzenius, Frank. (1993) „Principiul cauzei comune”, în Hull, Forbes și Okruhlik (1993), p. 227 - 237.
Bennett, Jonathan. (1988) Evenimente și numele lor. Indianapolis și Cambridge: Hackett.
Carroll, John. (1991) „Cauzarea la nivel de proprietate?” Studii filosofice 63: 245-70.
Cartwright, Nancy. (1979) „Legile de utilizare și strategiile eficiente”, Noûs 13: 419-437.
Dupré, John. (1984) „Probabilistic Causality Emancipated”, în Peter French, Theodore Uehling, Jr., și Howard Wettstein, eds., (1984) Midwest Studies in Philosophy IX (Minneapolis: University of Minnesota Press), pp. 169 - 175.
Earman, John. (1986) A Primer on Determinism. Dordrecht: Reidel.
Eells, Ellery. (1991) Cauzalitate probabilistă. Cambridge, Marea Britanie: Cambridge University Press.
Bun, IJ (1961) „Un calcul de cauză I”, Jurnalul Britanic pentru Filozofia Științei 11: 305-18.
-----. (1962) „Un calcul de cauză II”, Jurnalul britanic pentru filosofia științei 12: 43-51.
Hausman, Daniel. (1998) Asimetrii cauzale. Cambridge: Cambridge University Press.
Hausman, Daniel și Woodward, James. (1999) „Independența, invariația și starea cauzală Markov”, Jurnalul britanic pentru filosofia științei 50: 1 - 63.
Hesslow, Germund. (1976) „Discuție: două note despre abordarea probabilistică a cauzalității”, Philosophy of Science 43: 290 - 292.
Hitchcock, Christopher. (1993) „O teorie probabilistă generalizată a relevanței cauzale”, Synthese 97: 335-364.
-----. (1995) „The Mishap at Reichenbach Fall: Singular vs. Causation General”, Studii filosofice 78: 257 - 291.
----. (2001a) „O poveste a două efecte”, revista filosofică 110: 361 - 396.
-----. (2001b) „Generalizări de cauză și sfaturi bune”, Monist 84: 218 - 241.
-----. (2002) „Crește toate cauzele și singurele probabilități de efecte?” în John Collins, Ned Hall și LA Paul (eds.), Causation and Counterfactuals (Cambridge MA: MIT Press, 2002).
Hull, David, Mickey Forbes și Kathleen Okruhlik, eds. (1993) PSA 1992, volumul doi. East Lansing: Asociația Filozofia Științei.
Hume, David. (1748) O anchetă privind înțelegerea umană.
Humphreys, Paul. (1989) Șansele explicației: explicații cauzale în științele sociale, medicale și fizice, Princeton: Princeton University Press.
Kvart, Igal. (1997) „Cauză și un impact cauzal pozitiv”, Noûs 11: 401 - 432.
Lewis, David. (1986a) „Causation” și „Postscripts to‘ Causation”, în Lewis (1986c), p. 172-213.
-----. (1986b) „Dependență contrafactuală și săgeata timpului” și „Postscripts to‘ Counterfactual Dependence and Time’s Arrow”, în Lewis (1986c), p. 32 - 66.
-----. (1986c) Documente filosofice, volumul II. Oxford: Oxford University Press.
Papineau, David. (1993) „Putem reduce direcția cauzală spre probabilități?” în Hull, Forbes și Okruhlik (1993), p. 238-252.
Perla, Iudeea. (1999) „Raționamentul cu cauza și efectul”, în Proceedings of the International Conference on Artificial Intelligence (San Francisco: Morgan Kaufman), p. 1437 - 1449.
-----. (2000) Cauzalitate: modele, motivare și infern. Cambridge: Cambridge University Press.
Preț, Huw. (1991) „Agenție și cauzalitate probabalistică”, Jurnalul britanic pentru filosofia științei 42: 157-76.
Reichenbach, Hans. (1956) Direcția timpului. Berkeley și Los Angeles: University of California Press.
Scheines, Richard. (1997) „O introducere în inferența cauzală” în McKim și Turner (1997), p. 185 - 199.
Skyrms, Brian. (1980) Necesitatea cauzală. New Haven și Londra: Yale University Press.
Sober, Elliott. (1985) „Două concepte de cauză” în Peter Asquith și Philip Kitcher, eds., PSA 1984, Vol. II (East Lansing: Philosophy of Science Association), pp. 405-424.
Spirtes, Peter, Clark Glymour și Richard Scheines. (2000) Cauzare, predicție și căutare, ediția a doua. Cambridge, MA: MIT Press.
Suppes, Patrick. (1970) O teorie probabilistă a cauzalității. Amsterdam: North-Holland Publishing Company.
Woodward, James. (1990) „Supervenience and Singular Causal Claims”, în Dudley Knowles, ed., Explanation and its Limits (Cambridge, Marea Britanie: Cambridge University Press), p. 211 - 246.
Acesta este un fișier din arhivele Enciclopediei de Filozofie din Stanford. Cauză înapoi Publicat pentru prima dată luni 27 august 2001; revizuire de fond Tue 16 Feb 2010 Uneori, de asemenea, numită retro-cauzalitate. O caracteristică comună a lumii noastre pare să fie aceea că, în toate cazurile de cauzalitate, cauza și efectul sunt plasate în timp, astfel încât cauza să îi precede efectul temporal.
