Pravdepodobná Príčina

Obsah:

Pravdepodobná Príčina
Pravdepodobná Príčina
Anonim

Toto je dokument v archívoch Stanfordskej encyklopédie filozofie.

Pravdepodobná príčina

Prvýkrát publikované Pi 11. júla 1997; podstatná revízia piate 6, 2002

„Pravdepodobnosť príčin“označuje skupinu filozofických teórií, ktorých cieľom je charakterizovať vzťah medzi príčinou a následkom pomocou nástrojov teórie pravdepodobnosti. Ústrednou myšlienkou týchto teórií je to, že príčiny zvyšujú pravdepodobnosť ich účinkov, všetky ostatné sú rovnaké. Veľa práce, ktorá sa v tejto oblasti vykonala, sa týkala spresnenia klauzuly ceteris paribus. Tento článok sleduje tento vývoj, ako aj nedávny súvisiaci vývoj kauzálneho modelovania. Diskutované budú aj problémy v rámci pravdepodobnostných teórií príčin a námietky proti nim.

  • 1. Úvod a motivácia

    • 1.1 Teórie pravidelnosti
    • 1.2 Nedokonalé pravidlá
    • 1.3 Neurčitosti
    • 1.4 Asymetria
    • 1.5 Rušné zákonnosti
  • 2. Predbežníci
  • 3. Hlavný vývoj

    • 3.1 Ústredná myšlienka
    • 3.2 Rušivé korelácie
    • 3.3 Asymetria
  • 4. Protichodné prístupy
  • 5. Kauzálne modelovanie a pravdepodobná kauzalita

    • 5.1 Príčinné modelovanie
    • 5.2 Markovské a minimálne podmienky
    • 5.3 Čo znamenajú šípky
    • 5.4 Stav vernosti
  • 6. Ďalšie problémy a problémy

    • 6.1 Kontextová jednomyseľnosť
    • 6.2 Potenciálne protiklady
    • 6.3 Singular a General Causation
    • 6.4 Redukcia a obežnosť
  • Bibliografia
  • Ďalšie internetové zdroje
  • Súvisiace záznamy

1. Úvod a motivácia

1.1 Teórie pravidelnosti

Podľa Davida Hume sú príčiny vždy nasledované ich účinkami: „Môžeme definovať príčinu ako objekt, za ktorým nasleduje druhý, a za všetkými objektmi podobnými prvému sú nasledované objekty podobné druhým.“(1748, oddiel VII.) Pokusy analyzovať príčinnú súvislosť z hľadiska nemenných vzorcov dedenia sa označujú ako „teórie pravidelnosti“príčinných súvislostí. Existuje veľa známych problémov s teóriami správnosti, ktoré sa môžu použiť na motiváciu pravdepodobnostných prístupov k príčinným súvislostiam.

Odporúčané čítanie: Hume (1748), najmä oddiel VII.

1.2 Nedokonalé pravidlá

Prvý problém spočíva v tom, že po väčšine príčin ich následky nepretržite nenasledujú. Napríklad je všeobecne známe, že fajčenie je príčinou rakoviny pľúc, ale uznáva sa aj to, že nie všetci fajčiari majú rakovinu pľúc. (Rovnako tak nie všetci nefajčiari sú ušetrení pustošenia tejto choroby.) Naproti tomu hlavnou myšlienkou pravdepodobnostných teórií príčinných súvislostí je to, že príčiny zvyšujú pravdepodobnosť ich účinkov; účinok sa môže vyskytnúť aj v neprítomnosti príčiny alebo v jeho prítomnosti. Fajčenie je teda príčinou rakoviny pľúc, a to nie preto, že všetci fajčiari majú rakovinu pľúc, ale preto, že u fajčiarov je väčšia pravdepodobnosť, že sa u nich vyvinie rakovina pľúc ako u nefajčiarov. To je úplne v súlade s tým, že existujú niektorí fajčiari, ktorí sa vyhýbajú rakovine pľúc, a niektorí nefajčiari, ktorí podľahnú.

Problém nedokonalých zákonností nerozhoduje rozhodne proti správnemu prístupu k príčinným súvislostiam. Nástupcovia Hume, najmä John Stuart Mill a John Mackie, sa pokúsili ponúknuť prepracovanejšie správy o zákonných predpisoch, ktoré potvrdzujú príčinné vzťahy. Mackie predstavil pojem podmieneného stavu: podmienečný stav pre nejaký účinok je nedostatočná, ale nie nadbytočná časť zbytočného, ale dostatočného stavu. Predpokladajme napríklad, že zapálená zhoda spôsobí lesný požiar. Samotné osvetlenie zápasu nestačí; veľa zápasov je osvetlených bez následných lesných požiarov. Osvetlený zápas je však súčasťou určitej konštelácie podmienok, ktoré sú pre oheň spoločne postačujúce. Okrem toho, vzhľadom na to, že k tomuto súboru podmienok došlo skôr ako k niektorému ďalšiemu súboru postačujúcemu na požiar,osvetlenie zápasu bolo potrebné: za takých okolností, keď nie sú prítomné zapálené zápasy, nedochádza k požiarom.

Tento typ prístupu má však svoje nevýhody. Pravidlá, na ktorých spočíva kauzálny nárok, sa teraz ukazujú ako oveľa komplikovanejšie, ako sme si predtým uvedomovali. Táto zložitosť vyvoláva problémy najmä pri epistemológii príčinných súvislostí. Jedným z odvolaní Humeovej teórie pravidelnosti je to, že sa zdá, že poskytuje priamy prehľad o tom, ako spoznávame, čo spôsobuje to: učíme sa, že A spôsobuje B tým, že pozoruje, že As sú vždy nasledované Bs. Znovu zvážte prípad fajčenia a rakoviny pľúc: na základe akých dôkazov veríme, že jeden je príčinou druhého? Nie je to tak, že u všetkých fajčiarov sa vyvinie rakovina pľúc, pretože to nepozorujeme. Nepozorovali sme však ani určité konštelácie stavov C, takže po fajčení vždy nasleduje rakovina pľúc v prítomnosti C,zatiaľ čo rakovina pľúc sa nikdy nevyskytuje u nefajčiarov, ktorí spĺňajú podmienku C. Pozorujeme skôr to, že fajčiari vyvíjajú rakovinu pľúc oveľa rýchlejšie ako nefajčiari; Toto je prima facie dôkaz, ktorý nás vedie k názoru, že fajčenie spôsobuje rakovinu pľúc. To veľmi dobre zapadá do pravdepodobnostného prístupu k príčinným súvislostiam.

Ako však uvidíme v oddiele 3.2, základná myšlienka, ktorá spôsobuje pravdepodobnosť ich účinkov, sa musí kvalifikovať niekoľkými spôsobmi. V čase, keď sa tieto kvalifikácie doplnia, sa zdá, že pravdepodobnostné teórie príčinných súvislostí musia urobiť krok, ktorý je úplne analogický s Mackieho výzvou na konštelácie základných podmienok. Nie je teda jasné, že problém nedokonalých právnych predpisov sám osebe ponúka akýkoľvek skutočný dôvod uprednostňovať pravdepodobnostné prístupy pred príčinnými súvislosťami pred prístupmi správnosti.

Odporúčané čítania: Vylepšené verzie analýzy pravidelnosti sa nachádzajú v Mill (1843), zväzok I, kapitola V, a v Mackie (1974), kapitola 3. Zavedenie Suppes (1970) predstavuje problém nedokonalých zákonností.

1.3 Neurčitosti

Zatiaľ čo prístup Mackieho podmienky v stave môže rozhodnúť, že fajčenie spôsobuje rakovinu pľúc, aj keď existujú fajčiari, u ktorých sa rakovina pľúc nevyvíja, vyžaduje si, aby existovala určitá súvislosť stavov, vrátane fajčenia, po ktorých vždy nasleduje rakovina pľúc. Ale ani táto konkrétnejšia pravidelnosť nemusí zlyhať, ak výskyt rakoviny pľúc nie je fyzicky určený týmito podmienkami. Vo všeobecnosti prístup založený na správnosti spôsobuje, že príčinná súvislosť nie je zlučiteľná s neurčitosťou: ak sa neurčí, že nastane nejaká udalosť, potom žiadna udalosť nemôže byť súčasťou dostatočnej podmienky pre takúto udalosť. (Analogický bod sa dá povedať o nevyhnutnosti.) Nedávny úspech kvantovej mechaniky - av menšej miere iné teórie využívajúce pravdepodobnosť - otriasli našou vierou v determinizmus. Preto bolo pre mnohých filozofov žiaduce vyvinúť teóriu príčin, ktorá nepredpokladá determinizmus.

Mnoho filozofov považuje myšlienku neurčitej príčinnej stránky za kontraintuitívnu. Slovo „kauzalita“sa v skutočnosti niekedy používa ako synonymum pre determinizmus. Dôvodom neurčitej príčinnej súvislosti je silný dôvod, pre ktorý je možné pri príčinných tvrdeniach zvážiť epistemický rozkaz. V súčasnosti existuje veľmi silný empirický dôkaz, že fajčenie spôsobuje rakovinu pľúc. Otázka, či existuje deterministický vzťah medzi fajčením a rakovinou pľúc, je však otvorená. Tvorba rakovinových buniek závisí od mutácie, ktorá je silným kandidátom na neurčitý proces. Navyše, či sa u jednotlivého fajčiara vyvíja rakovina pľúc alebo nie, závisí to od mnohých ďalších faktorov, ako napríklad od toho, či je zasiahnutá autobusom skôr, ako sa začnú tvoriť rakovinové bunky. Teda cena za zachovanie intuície, že príčinná súvislosť predpokladá determinizmus, je agnosticizmus aj v prípade našich najlepšie podporovaných príčinných tvrdení.

Pretože pravdepodobnostné teórie príčinných súvislostí vyžadujú iba to, aby príčina zvýšila pravdepodobnosť jej účinku, sú tieto teórie zlučiteľné s neurčitosťou. Zdá sa, že to je potenciálna výhoda oproti teóriám pravidelnosti. Nie je však jasné, do akej miery je táto potenciálna výhoda skutočná. V oblasti mikrofyziky, kde máme silné (ale stále spochybniteľné) dôkazy o indeterminizme, sa naše bežné príčinné pojmy jednoducho neuplatňujú. Toto sa prejavuje obzvlášť jasne v slávnom experimente s myšlienkami Einstein, Podolski a Rosen. Na druhej strane nie je jasné, do akej miery kvantový indeterminizmus „prenikne“do makrosveta fajčiarov a obetí rakoviny, kde podľa všetkého máme jasnú kauzálnu intuíciu.

Odporúčané čítania: Humphreys (1989), obsahuje citlivé riešenie otázok týkajúcich sa indeterminizmu a príčinných súvislostí; pozri najmä oddiely 10 a 11. Earman (1986) je dôkladné riešenie otázok determinizmu vo fyzike.

1.4 Asymetria

Ak A spôsobuje B, potom obvykle B tiež A nespôsobí. Fajčenie spôsobuje rakovinu pľúc, ale rakovina pľúc nespôsobuje fajčenie. Inými slovami, kauzalita je obvykle asymetrická. To môže predstavovať problém pre teórie pravidelnosti, pretože sa zdá celkom pravdepodobné, že ak je fajčenie nevyhnutnou podmienkou pre rakovinu pľúc, potom bude pľúcnou rakovinou nevyhnutnou podmienkou pre fajčenie. Jedným zo spôsobov, ako vynútiť asymetriu príčinných súvislostí, je ustanoviť, že príčiny predchádzajú ich účinkom v čase. Hume aj Mill výslovne prijali túto stratégiu. To má niekoľko systematických nevýhod. Po prvé, a priori vopred vylučuje možnosť spätnej príčinnej súvislosti, zatiaľ čo mnohí sa domnievajú, že príčinám predchádzajúcim ich účinkom je iba náhodná skutočnosť. Po druhé,tento prístup vylučuje možnosť rozvoja príčinnej teórie časového poriadku (na bolesť začarovanej kruhovitosti), teórie, ktorá sa zdá byť pre niektorých filozofov atraktívna. Po tretie, bolo by pekné, keby teória príčinných súvislostí mohla poskytnúť skôr vysvetlenie smerovania príčinnosti, ako to len stanoviť.

Niektorí zástancovia pravdepodobnostných teórií príčinných súvislostí nasledujú Humea v identifikácii príčinného smeru s časovým smerovaním. Iní sa pokúsili využiť zdroje teórie pravdepodobnosti so zmiešaným úspechom na vyjadrenie podstatnej príčiny asymetrie príčinných súvislostí. Tieto návrhy budeme podrobnejšie diskutovať v oddiele 3.3.

Odporúčané čítania: Hausman (1998) obsahuje podrobnú diskusiu o problémoch týkajúcich sa asymetrie príčinných súvislostí. Mackie (1974), kapitola 3, ukazuje, ako môže problém asymetrie vzniknúť pre jeho teóriu počiatočných stavov. Lewis (1986) obsahuje veľmi stručné, ale jasné vyjadrenie problému asymetrie.

1.5 Rušné zákonnosti

Predpokladajme, že za príčinou sú pravidelne dva účinky. Predpokladajme napríklad, že vždy, keď barometrický tlak v určitej oblasti klesne pod určitú úroveň, nastanú dve veci. Najprv výška stĺpca ortuti v konkrétnom barometri klesne pod určitú úroveň. Krátko nato dôjde k búrke. Táto situácia je schematicky znázornená na obrázku 1. Potom môže tiež dôjsť k tomu, že vždy, keď stĺpec ortuti klesne, dôjde k búrke. (Presnejšie povedané, pokles barometra bude pre búrku nevyhnutnou podmienkou.) Potom sa zdá, že teória pravidelnosti by musela rozhodnúť, že kvapka ortuťového stĺpca spôsobí búrku. Pravidelnosť týchto dvoch udalostí je však v skutočnosti falošná; neodráža kauzálny vplyv jedného na druhého.

postava 1
postava 1

postava 1

Schopnosť zvládnuť takéto falošné korelácie je pravdepodobne najväčším úspechom pravdepodobnostných teórií príčinných súvislostí a zostáva hlavným zdrojom príťažlivosti pre tieto teórie. O tejto otázke sa budeme podrobnejšie zaoberať v oddiele 3.2.

Odporúčané čítania: Mackie (1974), kapitola 3, ukazuje, ako môže problém s falošnými zákonitosťami vzniknúť pre jeho teóriu nevyliečiteľného stavu. Lewis (1986) obsahuje veľmi stručné, ale jasné vyhlásenie o probléme falošných zákonností.

2. Predbežníci

Pred formálnym vývojom probablistickej teórie príčinných súvislostí v nasledujúcej časti bude užitočné zaoberať sa niekoľkými predbežnými bodmi. Po prvé, daná udalosť môže mať mnoho rôznych príčin. Zápas je zasiahnutý a rozsvieti sa. Štrajk zápasu je príčinou jeho osvetlenia, ale prítomnosť kyslíka je tiež príčinou a okrem toho bude veľa ďalších. Niekedy v neformálnej konverzácii uvádzame jednu alebo druhú z nich ako „príčinu“osvetlenia zápasu. To, čo spôsobíme týmto spôsobom, môže závisieť od našich záujmov, našich očakávaní a tak ďalej. Filozofické teórie príčin sa zvyčajne snažia analyzovať pojem „príčina“. Nezabudnite tiež, že príčinou môžu byť podmienky v stoji - napríklad prítomnosť kyslíka - ako aj zmeny.

Po druhé, je bežné rozlišovať dva rôzne druhy príčinných tvrdení. Výnimočné kauzálne tvrdenia, ako napríklad „Jillove ťažké fajčenie počas 80. rokov jej spôsobili rozvoj rakoviny pľúc“, sa týkajú konkrétnych udalostí, ktoré majú časoprostorové polohy. (Niektorí autori tvrdia, že jednotlivé príčinné tvrdenia sa namiesto toho týkajú skutočností.) Keď sa používa týmto spôsobom, príčinou je sloveso úspechu: jednoznačné príčinné tvrdenie naznačuje, že Jill silne fajčila počas 80. rokov a vyvinula rakovinu pľúc. Upozorňujeme, že toto použitie je v rozpore s použitím „pravdepodobnostnej príčiny“v právnej literatúre. Táto veta sa používa, keď je jednotlivec vystavený riziku (ako je karcinogén), bez ohľadu na to, či tomuto riziku skutočne podľahne. (Právnym problémom je, či je takto poškodená osoba, ktorá je vystavená riziku, a môže za ňu dostať kompenzáciu.) Všeobecné príčinné tvrdenia, ako napríklad „fajčenie spôsobuje rakovinu pľúc“, sa týkajú opakovateľných typov udalostí alebo vlastností. Niektorí autori predložili pravdepodobnostné teórie singulárnej príčinnej súvislosti, iní majú pokročilé pravdepodobnostné teórie všeobecnej príčinnej súvislosti. Vzťah medzi jednotnou a všeobecnou príčinnou súvislosťou je uvedený v oddiele 6.3; ako uvidíme, zdá sa, že existuje nejaký dôvod domnievať sa, že pravdepodobnostné teórie príčinných súvislostí sú vhodnejšie na analýzu všeobecnej príčinnej súvislosti. Príčinná relata - entity, ktoré stoja v kauzálnych vzťahoch - sú rôzne považované za fakty, udalosti, vlastnosti atď. Nepokúsim sa rozhodnúť medzi týmito rôznymi prístupmi, ale použijem všeobecný pojem „faktor“. Upozorňujeme však, že pravdepodobnostné teórie príčinných súvislostí si vyžadujú, aby príčinná relata mala vo všeobecnosti „výrokovú“povahu:sú to druhy vecí, ktoré je možné spojiť a negovať.

Odporúčané čítania: Mill (1843) obsahuje klasickú diskusiu o „príčine“a „príčine“. Bennett (1988) je vynikajúcou diskusiou o faktoch a udalostiach.

3. Hlavný vývoj

3.1 Ústredná myšlienka

Ústrednú myšlienku, ktorá spôsobuje zvýšenie pravdepodobnosti ich účinkov, možno formálne vyjadriť pomocou aparátu podmienenej pravdepodobnosti. Nech A, B, C, … predstavujú faktory, ktoré môžu byť príčinné vzťahy. Nech P je pravdepodobnostná funkcia, ktorá vyhovuje normálnym pravidlám pravdepodobnostného počtu tak, že P (A) predstavuje empirickú pravdepodobnosť, že faktor A nastane alebo je vyvolaný inštanciou (a podobne pre ostatné faktory). Otázka toho, ako sa má empirická pravdepodobnosť interpretovať, sa tu nebude riešiť. Pri použití štandardnej notácie necháme P (B | A) reprezentovať podmienenú pravdepodobnosť B, danú A. Formálne je podmienená pravdepodobnosť štandardne definovaná ako určitý pomer pravdepodobností:

P (B | A) = P (A a B) / P (A).

Na ilustráciu predpokladajme, že hodíme férové die. Nech A predstavuje pristátie formy so sudým číslom (2, 4 alebo 6) zobrazujúcim sa na najvyššej tvári. Potom P (A) je polovica. Nech B predstavuje pristátie matrice s prvočíslom (2, 3 alebo 5) zobrazujúcim sa na najvyššej strane (na tej istej hodine). Potom P (B) je tiež polovica. Teraz je podmienená pravdepodobnosť P (B | A) jedna tretina. Je pravdepodobné, že číslo na matrici je rovnomerné a prvoradé, tj číslo je 2, vydelené pravdepodobnosťou, že číslo je párne. Čitateľ je šestina a menovateľ je polovica; táto podmienená pravdepodobnosť je teda jedna tretina. Pojem podmienená pravdepodobnosť nemá v sebe zabudovaný žiadny pojem o časovom alebo príčinnom poriadku. Predpokladajme napríklad, že matrica sa zvinie dvakrát. Má zmysel sa pýtať na pravdepodobnosť, že prvý valec je prvočíslo, keďže prvý valec je párny; pravdepodobnosť, že druhé valce je prvočíslo, za predpokladu, že prvé valce je párne; a pravdepodobnosť, že prvý valec je prvočíslo, vzhľadom na to, že druhý valec je párny.

Ak P (A) je 0, potom nie je definovaný pomer v definícii podmienenej pravdepodobnosti. Existujú však aj ďalšie technické zmeny, ktoré nám umožnia definovať P (B | A), keď P (A) je 0. Najjednoduchšie je jednoducho brať podmienečnú pravdepodobnosť ako primitívnu a definovať bezpodmienečnú pravdepodobnosť ako podmienenú pravdepodobnosť tautológia.

Jedným z prirodzených spôsobov pochopenia myšlienky, že A zvyšuje pravdepodobnosť B, je P (B | A)> P (B | nie- A). Prvý pokus o pravdepodobnú teóriu príčin by teda bol:

PR: A spôsobuje B iba vtedy, ak P (B | A)> P (B | nie- A).

Táto formulácia je označená ako „PR“. Keď je P (A) presne medzi 0 a 1, nerovnosť v PR sa ukáže ako rovnocenná s P (B | A)> P (A) a tiež s P (A a B)> P (A) P (B). Ak platí tento posledný vzťah, hovorí sa, že A a B sú pozitívne korelované. Ak sa nerovnosť zvráti, sú negatívne korelované. Ak sú A a B buď pozitívne alebo negatívne korelované, predpokladá sa, že sú pravdepodobne závislé. Ak platí rovnosť, potom sú A a B pravdepodobne nezávislé alebo nekorelované.

PR sa venuje problémom nedokonalých zákonností a neurčitosti, o ktorých sa hovorí vyššie. Nerieši však ďalšie dva problémy uvedené v oddiele 1 vyššie. Po prvé, zvyšovanie pravdepodobnosti je symetrické: ak P (B | A)> P (B | nie-A), potom P (A | B)> P (A | nie-B). Príčinná súvislosť je však typicky asymetrická.

Obrázok 2
Obrázok 2

Obrázok 2

Po druhé, PR má problémy s falošnými koreláciami. Ak sú obidve A a B spôsobené nejakým tretím faktorom C, potom je možné, že P (B | A)> P (B | nie- A), aj keď A nespôsobuje B. Táto situácia je schematicky znázornená na obrázku 2. Napríklad nech je A jednotlivec, ktorý má žltkasto sfarbené prsty, a B, ktorý má rakovinu pľúc. Potom by sme očakávali, že P (B | A)> P (B | nie- A). Dôvodom, že ľudia so žltými prstami sú častejšie postihnutí rakovinou pľúc, je to, že fajčenie má sklon vyvolávať obidva účinky. Pretože u jedincov so žltými prstami je väčšia pravdepodobnosť fajčenia, je pravdepodobnejšie, že trpia rakovinou pľúc. Intuitívne je spôsob, ako vyriešiť tento problém, vyžadovať, aby príčiny zvyšovali pravdepodobnosť ich účinkov ceteris paribus. Dejiny pravdepodobnostných príčin sú do veľkej miery dejinami pokusov vyriešiť tieto dva ústredné problémy.

Odporúčané čítania: Informácie o základnej teórii pravdepodobnosti pozri v položke „pravdepodobnostný počet: interpretácia.“Táto položka obsahuje aj diskusiu o interpretácii pravdepodobnostných nárokov.

3.2 Rušivé korelácie

Hans Reichenbach uviedol terminológiu „skríningu“, ktorá sa vzťahuje na konkrétny typ pravdepodobnostného vzťahu. Ak P (B | A & C) = P (B | C), potom sa o C hovorí, že odstraňuje A od B. (Keď P (A a C)> 0, táto rovnosť je ekvivalentná s P (A & B | C) = P (A | C) P (B | C).) Intuitívne, C robí A pravdepodobne s irelevantným. S touto predstavou v ruke sa môžeme pokúsiť vyhnúť problému falošných korelácií pridaním stavu „bez skríningu“k základným podmienkam zvyšovania pravdepodobnosti:

NSO: Faktor A vyskytujúci sa v čase t je príčinou neskoršieho faktora B vtedy a len vtedy, ak:

  1. P (B | A)> P (B | nie-A)
  2. Neexistuje žiadny faktor C, ktorý sa vyskytuje skôr alebo súčasne s A, ktorý vylučuje A od B.

Nazývame to formulácia NSO alebo „No Screening Off“. Predpokladajme, ako v našom príklade vyššie, že fajčenie (C) spôsobuje žlté sfarbené prsty (A) a rakovinu pľúc (B). Fajčenie potom vylúči žlté zafarbené prsty od rakoviny pľúc: vzhľadom na to, že jednotlivec fajčí, jeho žlté zafarbené prsty nemajú žiadny vplyv na jeho pravdepodobnosť rozvoja rakoviny pľúc.

Druhá podmienka NSO však nestačí na vyriešenie problému falošných korelácií. Táto podmienka bola pridaná na odstránenie prípadov, keď falošné korelácie vedú k faktorom, ktoré zvyšujú pravdepodobnosť iných faktorov bez toho, aby ich spôsobovali. Rušné korelácie môžu tiež viesť k prípadom, keď príčina nezvyšuje pravdepodobnosť jej účinku. Skutočné príčiny nemusia spĺňať prvú podmienku NSO. Predpokladajme napríklad, že fajčenie je vysoko v korelácii s cvičením: s fajčením je oveľa pravdepodobnejšie cvičiť. Fajčenie je príčinou srdcových chorôb, ale predpokladajte, že cvičenie je ešte silnejšou prevenciou srdcových chorôb. Potom je možné, že fajčiari sú vo všetkých prípadoch menej náchylní na ochorenie srdca ako nefajčiari. To znamená, že nechať A reprezentovať fajčenie, C cvičenie a srdcové ochorenie B,P (B | A) <P (B | nie- A). Všimnite si však, že ak podmienime, či niekto cvičí alebo nie, táto nerovnosť sa zvráti: P (B | A & C)> P (B | nie-A & C) a P (B | A & not-C)> P (B | nie - A a nie - C). Takéto zvrátenie pravdepodobnostných nerovností je príkladom „Simpsonovho paradoxu“.

Ďalším krokom je nahradenie podmienok 1 a 2 požiadavkou, že príčiny musia zvýšiť pravdepodobnosť ich účinkov v testovacích situáciách:

TS: A spôsobuje B, ak P (B | A & T)> P (B | nie-A & T) pre každú testovaciu situáciu T.

Skúšobná situácia je kombináciou faktorov. Ak je takáto kombinácia faktorov podmienená, tieto faktory sa považujú za „pevne stanovené“. Aby sme určili, aké budú testovacie situácie, musíme špecifikovať, ktoré faktory sa majú považovať za pevné. V predchádzajúcom príklade sme videli, že skutočný kauzálny význam fajčenia na rakovinu pľúc sa odhalil, keď sme cvičenie udržiavali fixne, buď pozitívne (kondicionovanie na C), alebo negatívne (kondicionovanie na not-C). To naznačuje, že pri hodnotení kauzálnej relevantnosti A pre B musíme držať pevne stanovené iné príčiny B, buď pozitívne alebo negatívne. Tento návrh však nie je úplne správny. Nech A a B fajčia, respektíve rakovina pľúc. Predpokladajme, že C je kauzálny sprostredkovateľ, povedzme prítomnosť dechtu v pľúcach. Ak A spôsobí B výlučne prostredníctvom C, potom C zobrazí A mimo B:vzhľadom na prítomnosť (neprítomnosť) karcinogénov v pľúcach nie je pravdepodobnosť rakoviny pľúc ovplyvnená tým, či sa tieto karcinogény dostali fajčením (napriek fajčeniu chýbajú). Nebudeme teda chcieť držať pevne stanovené príčiny B, ktoré sú samotné spôsobené A. Nazvime súbor všetkých faktorov, ktoré sú príčinou B, ale nie sú spôsobené A, súborom nezávislých príčin B. Skúšobnou situáciou pre A a B bude potom maximálna konjunkcia, pričom každý z jej spojov je buď nezávislou príčinou B alebo negáciou nezávislej príčiny B. Nazvime súbor všetkých faktorov, ktoré sú príčinou B, ale nie sú spôsobené A, súborom nezávislých príčin B. Skúšobnou situáciou pre A a B bude potom maximálna konjunkcia, pričom každý z jej spojov je buď nezávislou príčinou B alebo negáciou nezávislej príčiny B. Nazvime súbor všetkých faktorov, ktoré sú príčinou B, ale nie sú spôsobené A, súborom nezávislých príčin B. Skúšobnou situáciou pre A a B bude potom maximálna konjunkcia, pričom každý z jej spojov je buď nezávislou príčinou B alebo negáciou nezávislej príčiny B.

Upozorňujeme, že špecifikácia faktorov, ktoré je potrebné dodržať, sa odvoláva na príčinné vzťahy. Zdá sa, že to okráda teóriu svojho stavu ako reduktívnu analýzu príčinných súvislostí. V oddiele 6.4 však uvidíme, že problém je podstatne zložitejší. V každom prípade, aj keby nedochádzalo k obmedzovaniu príčinných súvislostí na pravdepodobnosť, bola by teória, ktorá podrobne popisuje systematické súvislosti medzi príčinnými súvislosťami a pravdepodobnosťou, veľmi filozoficky zaujímavá.

Prechod od základnej myšlienky PR k zložitej formulácii TS je skôr ako prechod od Humeovej pôvodnej teórie pravidelnosti k Mackieho teórii inus podmienok. V obidvoch prípadoch tento krok podstatne komplikuje epistemológiu príčinných súvislostí. Aby sme vedeli, či je A príčinou B, musíme vedieť, čo sa stane v prítomnosti a neprítomnosti B, zatiaľ čo drží pevné zložité spojenie ďalších faktorov. Zdá sa, že nádej, že pravdepodobnostná teória príčinných súvislostí by nám umožnila vyriešiť problém nedokonalých zákonných ustanovení bez toho, aby sme sa odvolali na takéto konštelácie základných podmienok, sa nezdala byť potvrdená. Zdá sa však, že TS nám poskytuje teóriu, ktorá je zlučiteľná s neurčitosťou a ktorá dokáže rozlíšiť príčinnú súvislosť od falošnej korelácie.

TS možno zovšeobecniť najmenej dvoma dôležitými spôsobmi. Po prvé, môžeme definovať „negatívnu príčinu“alebo „prevenciu“alebo „inhibítor“ako faktor, ktorý znižuje pravdepodobnosť jej „účinku“vo všetkých testovacích situáciách, a „zmiešanú“alebo „interagujúcu“príčinu ako faktor, ktorý ovplyvňuje pravdepodobnosť jeho „účinku“rôznymi spôsobmi v rôznych testovacích situáciách. Malo by byť zrejmé, že pri konštruovaní testovacích situácií pre A a B by sa mal brať do úvahy tiež pevný preventor a zmiešané príčiny B, ktoré sú nezávislé od A. Zovšeobecňujúcim sa ešte viac by bolo možné definovať kauzálne vzťahy medzi premennými, ktoré nie sú binárnymi, ako je napríklad príjem kalórií a krvný tlak. Pri hodnotení kauzálnej relevantnosti X pre Y budeme musieť pevne držať hodnoty premenných, ktoré sú pre Y nezávisle príčinne relevantné. V princípe,existuje nekonečne veľa spôsobov, ako by jedna premenná mohla závisieť pravdepodobne od druhej, dokonca by mohla mať určitú konkrétnu testovaciu situáciu. Akonáhle je teda teória zovšeobecnená na zahrnutie nebinárnych premenných, nebude možné poskytnúť žiadnu úhľadnú klasifikáciu príčinných faktorov na príčiny a prevencie.

Tieto dve zovšeobecnenia predstavujú dôležité rozlíšenie. Jedna vec je opýtať sa, či je A nejako príčinne relevantná pre B; je ďalšou otázkou, akým spôsobom je kauzálne relevantná pre B. Povedať, že príčiny A sú potom potenciálne nejednoznačné: mohlo by to znamenať, že A je nejakým spôsobom príčinne relevantná pre B; alebo by to mohlo znamenať, že A je kauzálne relevantný pre B konkrétnym spôsobom, že A podporuje B alebo je pozitívnym faktorom pre výskyt B. Napríklad, ak A zabraňuje B, potom A sa bude počítať ako príčina B v prvom zmysle, ale nie v druhom. Pravdepodobnostné teórie príčin môžu byť použité na zodpovedanie oboch typov otázok. A je kauzálne relevantný pre B, ak A robí v určitej testovacej situácii určitý rozdiel v pravdepodobnosti B; keďže A je pozitívna alebo podporujúca príčina B, ak A zvyšuje pravdepodobnosť B vo všetkých testovacích situáciách.

Problém falošných korelácií trápi aj určité verzie teórie rozhodovania. To sa môže stať, keď je výber činnosti príznakom určitých dobrých alebo zlých výsledkov, bez toho, aby tieto výsledky spôsobil. (Najznámejším príkladom tohto druhu je Newcombov problém.) V prípadoch, ako je tento, sa zdá, že niektoré verzie teórie rozhodovania odporúčajú, aby jeden konal tak, aby dostával dobrú správu o udalostiach, ktoré nie sú pod jeho kontrolou, než aby konal tak, aby sa dosiahol žiaduce udalosti, ktoré sú pod kontrolou človeka. V reakcii na to mnohí teoretici rozhodovania obhajovali verzie teórie kauzálnych rozhodnutí. Niektoré verzie sa veľmi podobajú TS.

Odporúčané čítania: Táto časť viac-menej sleduje hlavný vývoj v histórii pravdepodobnostných teórií príčinných súvislostí. Verzie teórie NSO sa nachádzajú v Reichenbachu (1956, oddiel 23) a Suppes (1970, kapitola 2). Good (1961, 1962) je raná esej o pravdepodobnostnej príčinnej súvislosti, ktorá je bohatá na poznatky, ale prekvapivo mala malý vplyv na formuláciu neskorších teórií. Salmon (1980) je vplyvnou kritikou týchto teórií. Prvé verzie TS boli predstavené v Cartwright (1979) a Skyrms (1980). Eells (1991, kapitoly 2, 3 a 4) a Hitchcock (1993) vykonávajú dve opísané zovšeobecnenia TS. Skyrms (1980) predstavuje verziu teórie kauzálnych rozhodnutí, ktorá je veľmi podobná TS. Pozri tiež položku „Teória rozhodovania: kauzálna“.

3.3 Asymetria

Druhým hlavným problémom základnej myšlienky zvyšovania pravdepodobnosti je to, že vzťah zvyšovania pravdepodobnosti je symetrický. Niektorí zástancovia pravdepodobnostných teórií príčin jednoducho stanovujú, že príčiny predchádzajú ich účinkom v čase. Ako sme videli v oddiele 1.4, táto stratégia má niekoľko nevýhod. Všimnite si tiež, že zatiaľ čo priradenie časových polôh konkrétnym udalostiam je úplne koherentné, nie je také jasné, čo to znamená povedať, že jedna vlastnosť alebo typ udalosti sa vyskytuje pred druhým. Napríklad, čo to znamená povedať, že fajčenie predchádza rakovine pľúc? Bolo veľa epizód fajčenia a veľa rakoviny pľúc a nie všetky z nich sa vyskytli pred tým poslednými. Bude to problém pre tých, ktorí majú záujem poskytnúť pravdepodobnostnú teóriu kauzálnych vzťahov medzi vlastnosťami alebo typmi udalostí.

Niektorí obhajcovia manipulovateľnosti alebo teórie príčinných súvislostí tvrdia, že potrebnú asymetriu zabezpečujeme z našej perspektívy ako agenti. Pri posudzovaní, či je A príčinou B, sa musíme opýtať, či A zvyšuje pravdepodobnosť B, ak sú príslušné podmienené pravdepodobnosti pravdepodobnosťou agenta: pravdepodobnosti, ktoré by B bola A (alebo nie-A), by sa mali realizovať výberom voľného agenta. Kritici sa pýtajú, aké sú tieto pravdepodobnosti agentov.

Iné prístupy sa snažia nájsť asymetriu medzi príčinou a účinkom v rámci štruktúry pravdepodobností samotných. Jedným veľmi jednoduchým návrhom by bolo spresniť spôsob, akým sa vytvárajú testovacie situácie. (Pozri predchádzajúcu časť pre diskusiu o testovacích situáciách.) Pri hodnotení, či je A príčinou B, by sme mali pevne držať nielen nezávislé príčiny B, ale aj príčiny A. Teda, ak je B príčinou A, a nie naopak, A nezvýši pravdepodobnosť B vo vhodnej testovacej situácii, pretože prítomnosť alebo neprítomnosť B bude už považovaná za pevnú. Táto myšlienka je zabudovaná do Príčinného Markovského stavu diskutovaného v oddiele 5 nižšie. Navrhovatelia tradičných pravdepodobnostných teórií príčinných súvislostí túto stratégiu neprijali. Môže to byť preto, že sa domnievajú, že toto vylepšenie by priblížilo teóriu príliš bludnej obehu: na posúdenie, či A spôsobuje B, by sme už mali vedieť, či B spôsobuje A.

Ambicióznejší prístup k problému kauzálnej asymetrie je spôsobený Hansom Reichenbachom. Predpokladajme, že faktory A a B sú pozitívne korelované:

1. P (A a B)> P (A) P (B)

Je ľahké vidieť, že to bude platiť presne vtedy, keď A zvýši pravdepodobnosť B a naopak. Okrem toho predpokladajme, že existuje určitý faktor C s nasledujúcimi vlastnosťami:

2. P (A & B | C) = P (A | C) P (B | C)

3. P (A & B | nie-C) = P (A | nie-C) P (B | nie- C)

4. P (A | C)> P (A | nie-C)

5. P (B | C)> P (B | nie-C).

V tomto prípade sa uvádza, že trio ACB vytvára spojivkovú vidlicu. Podmienky 2 a 3 stanovujú, že C a not-C oddeľujú A od B. Ako sme videli, niekedy sa to stáva, keď C je častou príčinou A a B. Podmienky 2 až 5 zahŕňajú 1, takže v určitom zmysle C vysvetľuje koreláciu medzi A a B. Ak sa C vyskytuje skôr ako A a B a neexistuje žiadna udalosť uspokojujúca 2 až 5, ktorá nastane neskôr ako A a B, potom sa o ACB hovorí, že tvorí spojivkovú vidlicu otvorenú pre budúcnosť. Analogicky, ak existuje budúci faktor vyhovujúci 2 až 5, ale žiadny minulý faktor, máme spojivovú vidlicu otvorenú minulosti. Ak minulý faktor C a budúci faktor D vyhovujú 2 až 5, potom ACBD vytvorí uzavretú vidlicu. Reichenbachov návrh bol taký, že smer od príčiny k účinku je smerom, v ktorom prevládajú otvorené vidlice. V našom sveteexistuje veľa vidlíc otvorených budúcnosti, málo alebo žiadne otvorené minulosti. Tento návrh úzko súvisí s Reichenbachovým princípom spoločnej príčiny, ktorý hovorí, že ak sú A a B pozitívne korelované (tj vyhovujú podmienke 1), potom existuje C, ktoré je príčinou A aj B a ktoré ich skrínuje od seba. (Naopak, bežné efekty vo všeobecnosti nezakrývajú ich príčiny.)

Nie je však jasné, že táto asymetria medzi vidlicami otvorenými do minulosti a vidlicami otvorenými pre budúcnosť bude rovnako všadeprítomná, ako sa zdá, že tento návrh predpokladá. V kvantovej mechanike existujú korelované účinky, o ktorých sa predpokladá, že nemajú spoločnú príčinu, ktorá ich vylučuje. Okrem toho, ak ACB tvorí spojovaciu vidlicu, v ktorej C predchádza A a B, ale C má deterministický účinok D, ku ktorému dochádza po A a B, potom ACBD vytvorí uzavretú vidlicu. Ďalším problémom s týmto návrhom je to, že keďže poskytuje globálne usporiadanie príčin a následkov, zdá sa, že a priori vylučuje možnosť, že niektorým účinkom môže predchádzať ich príčina. Boli ponúknuté zložitejšie pokusy odvodiť príčinnú súvislosť od pravdepodobností; problémy sa tu prelínajú s problémom znižovania emisií, ktorý je uvedený v oddiele 6.4.

Odporúčané čítania: Suppes (1970, kapitola 2) a Eells (1991, kapitola 5) definujú kauzálnu asymetriu z hľadiska časovej asymetrie. Cena (1991) obhajuje príčinnú asymetriu z hľadiska pravdepodobnosti agenta; pozri tiež položku „príčinná súvislosť a manipulácia“. Reichenbachov návrh je uvedený v jeho (1956, kapitola IV). Niektoré ťažkosti s týmto návrhom sú diskutované v Arntzenius (1993); pozri tiež jeho vstup do tejto encyklopédie v časti „Fyzika: Reichenbachov princíp spoločnej veci“. Papineau (1993) je dobrou všeobecnou diskusiou o probléme kauzálnej asymetrie v pravdepodobnostných teóriách. Hausman (1998) je podrobnou štúdiou problému kauzálnej asymetrie.

4. Protichodné prístupy

Hlavným prístupom k štúdiu príčinných súvislostí bolo analyzovať príčinnú súvislosť z hľadiska kontrafaktuálnych podmienok. Protichodný podmienečný trest je podmienený podmienečný trest, ktorého predchodca je v rozpore so skutočnosťou. Tu je príklad: „Keby sa hlasovanie motýľov nepoužilo na West Palm Beach, potom by bol prezidentom USA USA Albert Gore.“V prípade neurčitých výsledkov môže byť vhodné použiť pravdepodobné následky: „Keby sa hlasovanie motýľov nepoužilo na West Palm Beach, potom by Albert Gore mal 0,7 šancu byť zvolený za prezidenta.“Cieľom pravdepodobnostnej kontrafaktuálnej teórie kauzality (PC) je analyzovať príčinnú súvislosť z hľadiska týchto pravdepodobnostných kontrafaktuálov. Udalosť B je údajne závislá od zreteľnej udalosti A len v prípade, že sa vyskytnú, a pravdepodobnosť, že by sa vyskytla B v čase výskytu A, bola oveľa vyššia, ako by bola v zodpovedajúcom čase, keby A nebola došlo. Tento kontrafaktuál je potrebné chápať z hľadiska možných svetov: je pravda, že v najbližšom možnom svete (krajinách), kde A sa nevyskytuje, je pravdepodobnosť B oveľa nižšia ako v skutočnom svete. Z tohto dôvodu nie je relevantný pojem „zvyšovanie pravdepodobnosti“chápaný z hľadiska podmienených pravdepodobností, ale z hľadiska bezpodmienečných pravdepodobností v rôznych možných svetoch. Skúšobná situácia nie je nejaká špecifikovaná kombinácia faktorov, ale súčet všetkých, ktoré zostávajú nezmenené pri presune do najbližšieho možného sveta (ov), kde A sa nevyskytuje. Všimnite si, že počítač je určený konkrétne ako teória jedinečnej príčinnej súvislosti medzi jednotlivými udalosťami, a nie ako teória všeobecnej príčinnej súvislosti.

Kauzálna závislosť definovaná v predchádzajúcom odseku je dostatočná, ale nie nevyhnutná na príčinnú súvislosť. Kauzalita je definovaná ako predok kauzálnej závislosti; To znamená, že spôsobí, že B len v prípade, že je sled udalostí C 1, C 2, …, C n, tak, že C 1 príčinnej závisí na A, C 2 príčinne závisí na C 1, …, B príčinne závisí na C n. Táto modifikácia zaručuje, že príčinná súvislosť bude prechodná: ak A spôsobuje C a C spôsobuje B, potom A spôsobuje B. Táto modifikácia je užitočná aj pri riešení určitých problémov uvedených v oddiele 6.2.

Navrhovatelia kontrafaktuálnych teórií príčinných súvislostí sa pokúšajú odvodiť asymetriu príčinnej súvislosti od zodpovedajúcej asymetrie v hodnotách pravdy kontrafaktuálov. Môže sa napríklad stať, že ak by sa Mária nefajčila, bola by menej pravdepodobné, že by sa rozvinula rakovina pľúc, ale normálne by sme nesúhlasili s tým, že ak by sa nevyvinula rakovina pľúc, bola by menej pravdepodobná fajčenie. Bežné kontrafakty sa „nevracajú“od účinkov k príčinám. Tento zákaz proti spätnému sledovaniu rieši aj problém falošných korelácií: nehovorili by sme, že keby sa stĺpec mekury nezvýšil, potom by pokles atmosférického tlaku bol menej pravdepodobný, a tak by aj búrka bola menej pravdepodobná.

Jednou dôležitou otázkou je, či protichodné faktory, ktoré sa objavujú v analýze príčinných súvislostí, možno charakterizovať bez odkazu na príčinné súvislosti. Aby sme to mohli urobiť, museli by sme povedať, čo robí niektoré svety bližšie ako iné, bez toho, aby sme sa odvolávali na kauzálne pojmy. Napriek niektorým zaujímavým pokusom nie je jasné, či sa to dá urobiť. Ak nie, potom nebude možné poskytnúť reduktívnu PC analýzu kauzality, hoci bude stále možné formulovať zaujímavé prepojenia medzi kauzalizáciou, pravdepodobnosťou a kontrafaktuálmi.

Filozof Igal Kvart bol stálym kritikom tvrdenia, že je možné analyzovať kontrafaktuály bez použitia príčinnej súvislosti. Vyvinul pravdepodobnostnú teóriu singulárnej príčinnej súvislosti, ktorá nepoužíva kontrafaktuály. Jeho teória má však mnoho spoločných rysov s kontrafaktuálnymi teóriami: ide o pokus analyzovať jedinečnú príčinnú súvislosť medzi udalosťami; rozvíja základnú myšlienku zvyšovania pravdepodobnosti v snahe vyhnúť sa niektorým problémom uvedeným v oddiele 6.2; a usiluje sa o reduktívnu analýzu príčinných súvislostí, ktorá nespomína kauzálne vzťahy v analysanoch.

Odporúčané čítanie: Lewis (1986a) je locus classicus pre PC. Lewis (1986b) je pokusom vysvetliť pojem blízkosti medzi možnými svetmi. Posledné pokusy analyzovať príčinnú súvislosť z hľadiska pravdepodobnostných kontrafaktuálov sa stali pomerne komplikovanými; pozri napríklad Noordhof (1999). Pre ďalšiu diskusiu o kontrafaktuálnych teóriách príčinných súvislostí pozri záznam v časti “príčinné súvislosti, kontrafaktuálne teórie”. Kvartovu teóriu pozri napríklad Kvart (1997).

5. Kauzálne modelovanie a pravdepodobná kauzalita

5.1 Príčinné modelovanie

„Kauzálne modelovanie“je nový interdisciplinárny odbor zameraný na skúmanie metód kauzálnej inferencie. Táto oblasť zahŕňa príspevky zo štatistík, umelej inteligencie, filozofie, ekonometrie, epidemiológie a ďalších disciplín. V tejto oblasti výskumné programy, ktoré priťahujú najväčší filozofický záujem, sú programy počítačového vedca Judea Pearla a jeho spolupracovníkov a filozofov Petera Spirtesa, Clarka Glymoura a Richarda Scheinesa (SGS). Nie je náhodou, že tieto dva programy sú najambicióznejšie, pokiaľ ide o ich tvrdenie, že vyvinuli algoritmy na vytváranie kauzálnych záverov na základe štatistických údajov. Tieto tvrdenia vyvolali veľa kontroverzií, často dosť prudkých. Specfically,zdá sa, že existuje veľká rezistencia voči myšlienke, že automatizované postupy môžu nahradiť znalosti o pozadí špecifické pre daný subjekt a dobrý experimentálny návrh, čo vždy závisí od príčinnej inferencie. Táto debata je do istej miery jedným z dôrazov a reklamy. Pearl aj SGS uvádzajú explicitné predpoklady, ktoré sa musia urobiť skôr, ako ich postupy môžu priniesť výsledky. Kritici najskôr tvrdia, že tieto predpoklady sú pochované jemnou tlačou, zatiaľ čo automatizované postupy sú uvádzané tučným písmom; a po druhé, že požadované predpoklady sú v realistických prípadoch zriedka splnené, takže nové postupy sú prakticky zbytočné. Tieto poplatky sú kolmé k otázke, či techniky fungujú tak, ako sú inzerované, keď sa držia potrebné predpoklady.veci, na ktorých kauzálny záver vždy závisel. Táto debata je do istej miery jedným z dôrazov a reklamy. Pearl aj SGS uvádzajú explicitné predpoklady, ktoré sa musia urobiť skôr, ako ich postupy môžu priniesť výsledky. Kritici najskôr tvrdia, že tieto predpoklady sú pochované jemnou tlačou, zatiaľ čo automatizované postupy sú uvádzané tučným písmom; a po druhé, že požadované predpoklady sú v realistických prípadoch zriedka splnené, takže nové postupy sú prakticky zbytočné. Tieto poplatky sú kolmé k otázke, či techniky fungujú tak, ako sú inzerované, keď sa držia potrebné predpoklady.veci, na ktorých kauzálny záver vždy závisel. Táto debata je do istej miery jedným z dôrazov a reklamy. Pearl aj SGS uvádzajú explicitné predpoklady, ktoré sa musia urobiť skôr, ako ich postupy môžu priniesť výsledky. Kritici najskôr tvrdia, že tieto predpoklady sú pochované jemnou tlačou, zatiaľ čo automatizované postupy sú uvádzané tučným písmom; a po druhé, že požadované predpoklady sú v realistických prípadoch zriedka splnené, takže nové postupy sú prakticky zbytočné. Tieto poplatky sú kolmé k otázke, či techniky fungujú tak, ako sú inzerované, keď sa držia potrebné predpoklady.po prvé, že tieto predpoklady sú pochované drobným písmom, zatiaľ čo automatizované postupy sú uvádzané tučným písmom; a po druhé, že požadované predpoklady sú v realistických prípadoch zriedka splnené, takže nové postupy sú prakticky zbytočné. Tieto poplatky sú kolmé k otázke, či techniky fungujú tak, ako sú inzerované, keď sa držia potrebné predpoklady.po prvé, že tieto predpoklady sú pochované drobným písmom, zatiaľ čo automatizované postupy sú uvádzané tučným písmom; a po druhé, že požadované predpoklady sú v realistických prípadoch zriedka splnené, takže nové postupy sú prakticky zbytočné. Tieto poplatky sú kolmé k otázke, či techniky fungujú tak, ako sú inzerované, keď sa držia potrebné predpoklady.

Nebudeme sa zaoberať účinnosťou týchto metód kauzálnej inferencie, ale skôr ich filozofickými oporami. Budeme tu sledovať vývoj SGS, pretože tieto majú silnejšiu podobnosť s pravdepodobnostnými teóriami príčinných súvislostí opísanými v oddiele 3 vyššie. (Pearlov prístup, prinajmenšom vo svojom najnovšom vývoji, má silnejšie spojenie s kontrafaktuálnymi prístupmi.)

Odporúčané čítania: Pearl (2000) a Spirtes, Glymour a Scheines (2000) sú najpodrobnejšími prezentáciami dvoch diskutovaných výskumných programov. Obe diela sú celkom technické, aj keď epilog z Pearl (2000) poskytuje veľmi čitateľný historický úvod k Pearlovej práci. Pearl (1999) obsahuje aj primerane prístupný úvod k niektorým nedávnym vývojom spoločnosti Pearl. Scheines (1997) je netechnickým úvodom k niektorým myšlienkam v SGS (2000). McKim a Turner (1997) je zbierka článkov o kauzálnom modelovaní, vrátane niektorých dôležitých kritík SGS.

5.2 Markovské a minimálne podmienky

Môžeme tu predstaviť iba veľmi prehľadný prehľad rámca SGS. Začneme súborom V premenných. Súbor môže napríklad zahŕňať premenné predstavujúce úroveň vzdelania, príjem, rodičovský príjem a kol. Jednotlivcov v populácii. Tieto premenné sa líšia od faktorov, ktoré sa bežne vyskytujú v pravdepodobnostných teóriách príčinných súvislostí. Faktory sa líšia podľa premenných, ktoré sú určené určiteľným. „Príjem“je premenná; „mať ročný príjem 40 000 dolárov“je faktor. Vzhľadom na množinu premenných môžeme v tejto množine definovať dve rôzne matematické štruktúry. Po prvé, smerový graf G na V je skupina smerovaných hrán alebo „šípok“, ktoré majú premenné vo Vako ich vrcholy. Premenná X je „rodič“Y iba v prípade, že existuje šípka z X na Y. X je „predok“Y (ekvivalentne, Y je „potomok X“), iba ak existuje „smerovaná cesta“z X na Y pozostávajúca zo šípok spájajúcich medzičlánky. Riadený graf je acyklický, ak nie sú k dispozícii žiadne slučky, to znamená, ak žiadna premenná nie je jeho predchodcom. Okrem orientovaný acyklický graf nad V, máme tiež rozdelenia pravdepodobnosti P nad hodnotami premenných v V.

Usmernený acyklický graf G nad V môže súvisieť s rozdelením pravdepodobnosti niekoľkými spôsobmi. Jednou z dôležitých podmienok, ktorú môžu splniť, je tzv. Markovova podmienka:

MC: Pre každé X vo V a každú množinu Y premenných vo V / DE (X), P (X | PA (X) & Y) = P (X | PA (X)); kde DE (X) je skupina potomkov X a PA (X) je sada rodičov X.

Zápis potrebuje trochu objasnenie. Zoberme si napríklad prvý termín rovnosti. Pretože X je premenná, nemá zmysel hovoriť o pravdepodobnosti X alebo o podmienenej pravdepodobnosti X. Má zmysel hovoriť o pravdepodobnosti príjmu 40 000 dolárov ročne (aspoň ak hovoríme o príslušníkoch určitej dobre definovanej populácie), ale nemá zmysel hovoriť o pravdepodobnosti „príjmu“. (Všimnite si, že tu neznamená pravdepodobnosť, že bude mať nejaký príjem alebo iný. Táto pravdepodobnosť je jedna, za predpokladu, že počítame nulu ako hodnotu príjmu.) Táto formulácia MC používa bežnú notačnú konvenciu. Kedykoľvek sa objaví premenná alebo množina premenných, existuje tichý univerzálny kvantifikátor, ktorý sa nachádza nad hodnotami danej premennej (premenných). MC by sa preto malo chápať ako tvrdenie o rovnosti medzi dvoma podmienenými pravdepodobnosťami, ktoré platia pre všetky hodnoty premennej X a pre všetky hodnoty premenných v Y a PA (X). Stručne povedané, Markovova podmienka hovorí, že rodičia X vylúčia X zo všetkých ostatných premenných, s výnimkou potomkov X. Vzhľadom na hodnoty premenných, ktoré sú rodičmi X, hodnoty premenných v Y (ktoré nezahŕňajú potomkovia X), nijako ďalej nerozlišujú pravdepodobnosť, že X prevezme akúkoľvek danú hodnotu.

Ako je uvedené, Markovova podmienka opisuje čisto formálny vzťah medzi abstraktnými entitami. Predpokladajme však, že dáme graf a rozdelenie pravdepodobnosti empirické interpretácie. Graf bude predstavovať kauzálne vzťahy medzi premennými v populácii a rozdelenie pravdepodobnosti bude predstavovať empirickú pravdepodobnosť, že jednotlivec v populácii bude mať určité hodnoty relevantných premenných. Keď je smerovanému grafu poskytnutá kauzálna interpretácia, nazýva sa kauzálny graf. Čoskoro sa vrátime k otázke, čo presne predstavujú šípky v kauzálnom grafe.

Príčina markovského stavu (CMC) tvrdí, že MC drží populáciu, keď sa tieto interpretácie dostanú do smerovaného grafu a rozdelenia pravdepodobnosti. CMC vo všeobecnosti neplatí, ale iba v prípade splnenia určitých ďalších podmienok. Napríklad, V musí obsahovať všetky bežné príčiny premenných, ktoré sú súčasťou V.. Predpokladajme napríklad, že V = {X, Y}, že ani jedna premenná nie je príčinou druhej a že Z je spoločná príčina X a Y (skutočná kauzálna štruktúra je znázornená na obrázku 3 nižšie). Správny kauzálny graf na Vnebude obsahovať žiadne šípky, pretože ani X, ani Y nespôsobia druhú. Ale X a Y budú pravdepodobne korelované kvôli základnej príčine. Toto je porušenie CMC. Pretože správny kauzálny graf na {X, Y} nemá šípky, X nemá rodičov ani potomkov; CMC teda znamená, že P (X | Y) = P (X). Táto rovnosť je nesprávna, pretože X a Y sú v skutočnosti korelované. CMC môže tiež zlyhať pre určité typy heterogénnych populácií zložených zo subpopulácií s odlišnými kauzálnymi štruktúrami. A CMC zlyhá pre určité kvantové systémy. Jedna oblasť kontroverzie sa týka miery, do akej skutočné populácie uspokojujú CMC, pokiaľ ide o druhy variabilných súborov, ktoré sa zvyčajne používajú pri empirických vyšetrovaniach. Na účely ďalšej diskusie budeme predpokladať, že CMC platí.

Obrázok 3
Obrázok 3

Obrázok 3

Príčina Markovského stavu je zovšeobecnením Reichenbachovho princípu spoločnej príčiny, ktorý je uvedený v oddiele 3.3. Tu je niekoľko príkladov, ako to funguje.

Obrázok 4
Obrázok 4

Obrázok 4

Na obrázkoch 3 a 4 CMC znamená, že hodnoty Z oddeľujú hodnoty X od hodnôt Y.

Obrázok 5
Obrázok 5

Obrázok 5

Obrázok 6
Obrázok 6

Obrázok 6

Na obrázkoch 5 a 6 CMC opäť znamená, že hodnoty Z oddeľujú hodnoty X od hodnôt Y. CMC však neznamená, že hodnoty W oddeľujú hodnoty X od hodnôt Y na obrázku 5, zatiaľ čo to znamená, že hodnoty W oddeľujú hodnoty X od hodnôt Y na obrázku 6. To ukazuje, že byť častou príčinou X a Y nie je ani potrebné, ani dostatočné na skríning hodnôt týchto premenných.

Obrázok 7
Obrázok 7

Obrázok 7

Na obrázku 7 sú Z aj W bežné príčiny X a Y, avšak CMC neznamená, že ani jedna z nich sama o sebe nestačí na vylúčenie hodnôt X a Y. Toto sa javí ako rozumné: ak budeme držať pevne stanovenú hodnotu Z, mali by sme očakávať, že X a Y zostanú v korelácii kvôli pôsobeniu W. CMC znamená, že Z a W spoločne odstraňujú X a Y; to znamená, že keď podmienime hodnoty Z a W, nebude existovať žiadna zvyšková korelácia medzi X a Y.

Druhým dôležitým vzťahom medzi riadeným grafom a rozdelením pravdepodobnosti je podmienka minimality. Predpokladajme, že riadený graf G na premennej množine V spĺňa Markovovu podmienku vzhľadom na rozdelenie pravdepodobnosti P. Podmienka minimálnej hodnoty tvrdí, že žiadny pod graf G nad V nespĺňa Markovovu podmienku, pokiaľ ide o P. Podmienka minimálnej podmienky tvrdí, že podmienka minimálnej platnosti platí, keď Ga P sú uvedené ich empirické interpretácie. Na ilustráciu uvážte množinu premenných {X, Y}, nechajte šípku od X do Y a predpokladajte, že X a Y sú v P pravdepodobne. Tento graf by vyhovoval podmienke Markov vo vzťahu k P: žiadny z nezávislých vzťahov poverených MC neexistuje (v skutočnosti MC nezaväzuje žiadne vzťahy nezávislosti). Tento graf by však porušil podmienku minimality vzhľadom na P, pretože podgraf, ktorý vynecháva šípku z X na Y, by tiež splnil Markovovu podmienku.

Odporúčané čítania: Spirtes, Glymour a Scheines (2000) a Scheines (1997). Hausman a Woodward (1999) poskytujú podrobnú diskusiu o Causal Markov Condition.

5.3 Čo znamenajú šípky

Teraz sme v lepšej pozícii povedať niečo o tom, čo znamenajú šípky v kauzálnom grafe. Najprv zvážte jednoduchý graf s dvoma premennými X a Y a šípkou z X na Y. Podmienka minimálnej hodnoty vyžaduje, aby tieto dve premenné neboli pravdepodobnostne nezávislé. To znamená, že musia existovať hodnoty x a x 'z X a y z Y, takže

P (Y = y | X = x)

nie =
nie =

P (Y = y | X = x ').

Toto nehovorí nič o tom, ako X nesúvisí s Y. Predpokladajme napríklad, že máme tri variabilné modely vrátane premenných fajčenie, cvičenie a srdcové choroby. Kauzálny graf by (pravdepodobne) zahŕňal šípku od fajčenia k srdcovým chorobám a šípku od cvičenia k srdcovým chorobám. Nič v grafe nenaznačuje, že zvýšené hladiny fajčenia zvyšujú riziko a závažnosť srdcových chorôb, zatiaľ čo zvýšené úrovne cvičenia (až do určitého bodu) znižujú riziko a závažnosť srdcových chorôb. Šípky v kauzálnom grafe teda označujú iba to, že jedna premenná je kauzálne relevantná pre inú a nehovorí nič o spôsobe, akým je relevantná (či už ide o príčinu podporujúcu, potláčajúcu alebo interagujúcu, alebo stojí v nejakom komplexnejšom vzťahu).,

Obrázok 8
Obrázok 8

Obrázok 8

Zvážte obrázok 8. Všimnite si, že sa líši od obrázku 4 v tom, že existuje ďalšia šípka, ktorá beží priamo pred X na Y. Čo naznačuje táto šípka z X na Y? Nielen to naznačuje, že X je kauzálne relevantný pre Y; na obrázku 4 je prirodzené očakávať, že X bude relevantné pre Y prostredníctvom jeho účinku na Z. Pri použití podmienok kauzálneho markovského a minimálneho stavu šípka od X do Y znamená, že Y je pravdepodobne závislá od X, aj keď držíme pevne stanovenú hodnotu Z. To znamená, že X robí pravdepodobnosť rozdielu pre Y nad rámec rozdielu, ktorý robí na základe svojho účinku na Z. Obrázok 8 teda ukazuje, že X má vplyv na Y dvoma rôznymi cestami: jedna trasa, ktorá prechádza premennou Z a druhá trasa, ktorá je priama, tj nie je sprostredkovaná inou premennou vo V, Pre ilustráciu uvážte dobre známy príklad kvôli Germundovi Hesslowovi. Spotreba antikoncepčných tabliet (X) je rizikovým faktorom pre trombózu (Y). Na druhej strane, antikoncepčné pilulky sú účinným preventorom gravidity (Z), čo je zase silný rizikový faktor trombózy. Použitie antikoncepčných piluliek môže teda ovplyvniť šance na trombózu dvoma spôsobmi, jedným „priamym“a jedným prostredníctvom účinku tabliet na šance tehotenstva. To, či antikoncepčné pilulky zvyšujú alebo znižujú celkovú pravdepodobnosť trombózy, bude závisieť od relatívnej sily týchto dvoch ciest. Pravdepodobnostné teórie príčinnosti opísané v oddiele 3 sú vhodné na analýzu celkového alebo čistého účinku jedného faktora alebo premennej na iný,zatiaľ čo techniky kauzálneho modelovania diskutované v tejto časti sú zamerané predovšetkým na rozloženie kauzálneho systému na jednotlivé cesty kauzálneho vplyvu.

Odporúčané čítania: Príklad antikoncepčných tabliet bol pôvodne uvedený v Hesslowe (1976). Hitchcock (2001a) diskutuje o rozlíšení medzi celkovým alebo čistým efektom a kauzálnym vplyvom pozdĺž jednotlivých trás.

5.4 Stav vernosti

Jednou z konečných podmienok, ktorú SGS vo veľkej miere využíva, je stav vernosti. (Budem sa vzdávať rozlíšenia medzi kauzálnou a ne kauzálnou verziou.) Podmienka vernosti hovorí, že všetky (podmienečné a nepodmienečné) pravdepodobnosti nezávislosti, ktoré existujú medzi premennými vo V, sú vyžadované podmienkou Markovho stavu. Predpokladajme napríklad, že V= {X, Y, Z}. Predpokladajme tiež, že X a Y sú na sebe bezpodmienečne nezávislé, ale závislé od Z. (Ostatné dva páry premenných sú podmienečne aj bezpodmienečne závislé.) Graf zobrazený na obrázku 8 nespĺňa podmienku vernosti v súvislosti s týmto rozdelením (hovorovo nie je graf vierohodný distribúcii). CMC, keď sa použije v grafe na obrázku 8, neznamená nezávislosť X a Y. Naproti tomu graf znázornený na obrázku 9 je verný opísanému rozdeleniu. Všimnite si, že obrázok 8 spĺňa podmienku minima; žiadny podgraf nespĺňa vzhľadom na opísané rozdelenie CMC. (Graf na obrázku 9 nie je podgrafom na obrázku 8.)

Obrázok 9
Obrázok 9

Obrázok 9

Podmienka vernosti znamená, že príčinné vplyvy jednej premennej na druhú na viacerých príčinných trasách sa „nezrušia“. Predpokladajme napríklad, že obrázok 8 správne reprezentuje základnú kauzálnu štruktúru. Potom podmienka vernosti znamená, že X a Y nemôžu byť bezpodmienečne navzájom nezávislé v empirickom rozdelení. V Hesslowovom príklade to znamená, že tendenciu antikoncepčných tabliet spôsobovať trombózu pozdĺž priamej cesty nemožno presne odstrániť tendenciou antikoncepčných tabliet zabrániť trombóze zabránením tehotenstva. Tento stav „bez zrušenia“sa zdá nepravdepodobný ako metafyzické alebo koncepčné obmedzenie spojenia medzi príčinnou súvislosťou a pravdepodobnosťou. Prečo sa nemôžu konkurenčné kauzálne cesty navzájom rušiť? Newtonovská fyzika nám skutočne poskytuje príklad:sila pôsobiaca nadol na moje telo v dôsledku gravitácie vyvoláva rovnakú a opačnú silu pôsobiacu smerom hore na moje telo z podlahy. Moje telo odpovedá, akoby naň nepôsobili žiadne sily. Zdá sa, že podmienka vernosti je skôr metodickým princípom. Vzhľadom na rozdelenie na {X, Y, Z}, v ktorom X a Y sú nezávislé, by sme mali odvodiť, že príčinná štruktúra je znázornená na obrázku 9 a nie na obrázku 8. Nie je to tak preto, že obrázok 8 je presvedčivo vylúčený distribúcia, ale skôr preto, že je bezdôvodne zložitá: predpokladá predpokladané súvislosti, ktoré nie sú potrebné na vysvetlenie základného vzoru pravdepodobnostných závislostí. Podmienka vernosti je teda formálnou verziou Ockhamovho holiaceho strojčeka. Moje telo odpovedá, akoby naň nepôsobili žiadne sily. Zdá sa, že podmienka vernosti je skôr metodickým princípom. Vzhľadom na rozdelenie na {X, Y, Z}, v ktorom X a Y sú nezávislé, by sme mali odvodiť, že príčinná štruktúra je znázornená na obrázku 9 a nie na obrázku 8. Nie je to tak preto, že obrázok 8 je presvedčivo vylúčený distribúcia, ale skôr preto, že je bezdôvodne zložitá: predpokladá predpokladané súvislosti, ktoré nie sú potrebné na vysvetlenie základného vzoru pravdepodobnostných závislostí. Podmienka vernosti je teda formálnou verziou Ockhamovho holiaceho strojčeka. Moje telo odpovedá, akoby naň nepôsobili žiadne sily. Zdá sa, že podmienka vernosti je skôr metodickým princípom. Vzhľadom na rozdelenie na {X, Y, Z}, v ktorom X a Y sú nezávislé, by sme mali odvodiť, že príčinná štruktúra je znázornená na obrázku 9 a nie na obrázku 8. Nie je to tak preto, že by obrázok 8 bol presvedčivo vylúčený distribúcia, ale skôr preto, že je bezdôvodne zložitá: predpokladá predpokladané súvislosti, ktoré nie sú potrebné na vysvetlenie základného vzoru pravdepodobnostných závislostí. Podmienka vernosti je teda formálnou verziou Ockhamovho holiaceho strojčeka.mali by sme odvodiť, že príčinná štruktúra je znázornená na obrázku 9 a nie na obrázku 8. Nie je to tak preto, že by sa na obrázku 8 presvedčivo vylúčilo rozdelenie, ale skôr to, že je to bezdôvodne zložité: predpokladá sa kauzálne spojenia, ktoré nie sú potrebné na vysvetliť základný vzorec pravdepodobnostných závislostí. Podmienka vernosti je teda formálnou verziou Ockhamovho holiaceho strojčeka.mali by sme odvodiť, že príčinná štruktúra je znázornená na obrázku 9 a nie na obrázku 8. Nie je to tak preto, že by sa na obrázku 8 presvedčivo vylúčilo rozdelenie, ale skôr to, že je to bezdôvodne zložité: predpokladá sa kauzálne spojenia, ktoré nie sú potrebné na vysvetliť základný vzorec pravdepodobnostných závislostí. Podmienka vernosti je teda formálnou verziou Ockhamovho holiaceho strojčeka.

SGS používa Causal Markov, Minimality a Faithfulness Podmienky na preukázanie rôznych štatistických nerozlíšiteľných teórií. Tieto vety nám hovoria, kedy je možné alebo nemožno rozlíšiť dve odlišné kauzálne štruktúry na základe rozdelenia pravdepodobnosti, ktoré spôsobujú. K tomuto problému sa vrátime v časti 6.4 nižšie.

Odporúčané čítania: Spirtes, Glymour a Scheines (2000) a Scheines (1997).

6. Ďalšie problémy a problémy

6.1 Kontextová jednomyseľnosť

Podľa TS musí príčina zvýšiť pravdepodobnosť jej účinku v každej testovacej situácii. Nazýva sa to požiadavka kontextovej jednomyseľnosti. Táto požiadavka je citlivá na nasledujúci druh protipoložky. Predpokladajme, že existuje gén, ktorý má nasledujúci účinok: gény, ktoré tento gén vlastnia, majú pri fajčení zníženú šancu na rakovinu pľúc. Predstavte si, že tento gén je veľmi zriedkavý (v ľudskej populácii to vôbec nemusí existovať, pokiaľ majú ľudia nejakú nenulovú pravdepodobnosť, že budú mať tento gén, pravdepodobne v dôsledku veľmi nepravdepodobnej mutácie). V tomto scenári by existovali testovacie situácie (tie, ktoré držia fixnú prítomnosť génu), v ktorých fajčenie znižuje pravdepodobnosť rakoviny pľúc: fajčenie by teda nebolo príčinou rakoviny pľúc podľa požiadavky jednomyseľnosti. Napriek tomu sa zdá nepravdepodobné, že by objavenie takéhoto génu (alebo iba jeho výskyt) viedlo k opusteniu tvrdenia, že fajčenie spôsobuje rakovinu pľúc.

Táto línia námietok má určite pravdu o našom bežnom používaní kauzálneho jazyka. Obranca kontextovej jednomyseľnosti je napriek tomu otvorená odpovedať, že má záujem dodať presný koncept, ktorý nahradí nejasnú predstavu o príčinnej súvislosti, ktorá zodpovedá nášmu každodennému používaniu. V populácii pozostávajúcej z jednotlivcov bez génu spôsobuje fajčenie rakovinu pľúc. V populácii pozostávajúcej výlučne z jednotlivcov, ktorí vlastnia tento gén, fajčenie zabraňuje rakovine pľúc.

Všimnite si, že tento spor vzniká iba v kontexte heterogénnej populácie. Obmedzením sa na jednu konkrétnu testovaciu situáciu sa obe strany môžu dohodnúť, že fajčenie spôsobuje rakovinu pľúc v testovanej populácii len v prípade, že v tejto testovacej situácii zvyšuje pravdepodobnosť rakoviny pľúc.

Pozícia človeka v tejto diskusii bude čiastočne závisieť od toho, ako chce niekto uplatniť všeobecné kauzálne tvrdenia, ako napríklad „fajčenie spôsobuje rakovinu pľúc“. Ak ich niekto považuje za kauzálne zákony, požiadavka kontextovej jednomyseľnosti sa môže javiť príťažlivá. Ak „fajčenie spôsobuje rakovinu pľúc“je druh zákona, potom by jeho pravda nemala závisieť od nedostatku génu, ktorý zvráti účinky fajčenia. Naproti tomu je možné kauzálny nárok chápať praktickejším spôsobom tým, že sa s ním zaobchádza ako s istým druhom zásad riadenia politiky. Keďže daný gén je veľmi zriedkavý, bolo by pre organizácie verejného zdravotníctva stále racionálne presadzovať politiky, ktoré by znížili výskyt fajčenia.

Odporúčané čítania: Dupré; (1984) predstavuje túto výzvu požiadavke jednomyseľnosti kontextu a ponúka alternatívu. Eells (1991, kapitoly 1 a 2) obhajuje jednomyseľnosť kontextu s použitím myšlienky, že príčinné tvrdenia sú vznesené relatívne k populácii. Hitchock (2001b) obsahuje ďalšiu diskusiu a rozvíja myšlienku zaobchádzania so všeobecnými príčinnými nárokmi ako s princípmi riadenia politiky.

6.2 Potenciálne protiklady

Vzhľadom na základnú myšlienku zvyšovania pravdepodobnosti by sa dalo očakávať, že predpokladané protiklady pravdepodobnostných teórií príčinných súvislostí sú dvoch základných typov: prípady, keď príčiny nezvýšia pravdepodobnosť ich účinkov, a prípady, keď ne-príčiny zvyšujú pravdepodobnosť neúčinkov, Diskusia v literatúre sa takmer úplne zamerala na prvý príklad. Zoberme si nasledujúci príklad z dôvodu Deborah Rosen. Golfista zle nakrája golfovú loptičku, ktorá smeruje k drsnej, ale potom odskočí zo stromu do šálky a otvorí sa v jednej jamke. Plátok golfistu znížil pravdepodobnosť, že sa lopta v šálke zvinie, ale napriek tomu tento výsledok spôsobil. Jedným zo spôsobov, ako sa tomuto problému vyhnúť, je venovať pozornosť porovnávaným pravdepodobnostiam. Ak označíme rez A, nie- A je disjunkcia niekoľkých alternatív. Jednou z takýchto alternatív je čistý výstrel - v porovnaní s touto alternatívou plátok znížil pravdepodobnosť otvoru v jednom. Inou alternatívou nie je žiadny výstrel, v porovnaní s ktorým plátok zvyšuje pravdepodobnosť otvoru v jednom. Vykonaním druhého porovnania môžeme obnoviť naše pôvodné intuície o príklade.

Iný druh protipoložky zahŕňa kauzálnu preempciu. Predpokladajme, že vrah uvarí slabý jed v kráľovom nápoji, čo má za následok 30% šancu na smrť. Kráľ vypije jed a zomrie. Keby vrah tento nápoj neotrávil, jej spoločník by ho napil špirálovitým elixírom (70% šanca na smrť). V tomto prípade vrah spôsobil kráľovi smrť otrávením jeho nápoja, aj keď znížila jeho šancu na smrť (zo 70% na 30%). Príčina znížila pravdepodobnosť úmrtia, pretože predpokladala ešte silnejšiu príčinu.

Jedným z prístupov k tomuto problému, ktorý je zakomponovaný do kontrafaktuálneho prístupu opísaného v oddiele 4 vyššie, je uplatniť zásadu vzájomnej príčinnej súvislosti. Vražedný čin zvýšil pravdepodobnosť a tým spôsobil prítomnosť slabého jedu v kráľovom nápoji. Prítomnosť slabého jedu v kráľovom nápoji zvýšila pravdepodobnosť a tým spôsobila kráľovu smrť. (Do tejto doby je už stanovené, že spoločník nebude otravovať nápoj.) Vražedným činom spôsobila kráľova smrť tranzitívnosť. Tvrdenie, že príčinná súvislosť je prechodná, je však veľmi kontroverzný a je predmetom mnohých presvedčivých protikladov.

Iným prístupom by bolo uplatniť rozlíšenie zavedené v oddiele 5.3. Akcia vraha ovplyvňuje kráľove šance na smrť dvoma odlišnými spôsobmi: po prvé, zavádza slabého jedu do kráľovského nápoja; po druhé, bráni zavedeniu silnejšieho jedu. Čistým účinkom je zníženie kráľovej šance na smrť. Môžeme však izolovať prvý z týchto účinkov (čo by bolo naznačené šípkou v kauzálnom grafe). Urobíme to tak, že budeme držať opravenú nečinnosť spolupracovníka: vzhľadom na to, že spoločník v skutočnosti otravu nepil, akcia vraha zvýšila kráľovu šancu na smrť (z takmer nuly na 0,3). Akciu vraha považujeme za príčinu smrti, pretože zvýšila pravdepodobnosť smrti na jednej z trás spájajúcich tieto dve udalosti.

Pre druhú ukážku druhého typu predpokladajme, že dvaja strelci strieľajú na terč. Každý z nich má určitú pravdepodobnosť zasiahnutia a určitú pravdepodobnosť nezvestnosti. Predpokladajme, že žiadna z pravdepodobností nie je jedna alebo nula. V skutočnosti prvý strelec zasiahne a druhý strelec zmešká. Druhý strelec však vystrelil a vystrelením zvýšil pravdepodobnosť, že bude zasiahnutý cieľ, ktorým bol. Aj keď je očividne nesprávne tvrdiť, že strela druhého strelca spôsobila zasiahnutie cieľa, zdá sa, že k tomuto dôsledku sa zaviazala pravdepodobnostná teória príčin. Prirodzeným prístupom k tomuto problému by bolo pokúsiť sa kombinovať pravdepodobnostnú teóriu príčinných súvislostí s požiadavkou časoprostorového spojenia medzi príčinou a účinkom, hoci nie je vôbec jasné, ako bude táto hybridná teória fungovať.

Odporúčané čítania:Príklad golfového loptičky, ktorý je výsledkom Deborah Rosen, je prvýkrát uvedený v Suppes (1970) Salmon (1980) uvádza niekoľko príkladov príčin znižovania pravdepodobnosti. Hitchcock (1995) predstavuje odpoveď. Lewis (1986a) diskutuje o prípadoch preempcie, pozri tiež položku „príčinná súvislosť: kontrafaktuálne teórie“. Hithcock (2001a) predstavuje riešenie z hľadiska rozkladu na jednotlivé kauzálne cesty. Woodward (1990) opisuje štruktúru, ktorá je vytvorená na príklade dvoch ozbrojencov. Humphreys (1989, oddiel 14) odpovedá. Menzies (1989, 1996) diskutuje o príkladoch, ktoré zahŕňajú kauzálnu prevenciu, keď nepríčiny zvyšujú pravdepodobnosť neúčinkov. Hitchcock (2002) poskytuje všeobecnú diskusiu o týchto príkladoch. Diskusiu o pokusoch analyzovať príčinu a následok z hľadiska susediacich procesov nájdete v položke „príčinná súvislosť:kauzálne procesy. “

6.3 Singular a General Causation

V oddiele 2 sme si všimli, že uvádzame najmenej dva rôzne druhy kauzálnych tvrdení, jednotné a všeobecné. S ohľadom na toto rozlíšenie si môžeme všimnúť, že protiklady uvedené v predchádzajúcej časti sú formulované ako jedinečná príčinná súvislosť. Jednou z možných reakcií na protiľahlé príklady z predchádzajúcej časti by bolo tvrdenie, že pravdepodobnostná teória príčinnosti je vhodná iba pre všeobecnú príčinnú súvislosť a že singulárna príčinná súvislosť si vyžaduje osobitnú filozofickú teóriu. Jedným z dôsledkov tohto kroku je, že existujú (prinajmenšom) dva odlišné druhy príčinných súvislostí, z ktorých každý vyžaduje svoj vlastný filozofický popis - nie celkom šťastnú ťažkosť.

Odporúčané čítania: Potreba odlišných teórií jednotného a všeobecného príčinného stavu sa obhajuje v Dobrej (1961, 1962), Sober (1985) a Eells (1991, úvod a kapitola 6). Eells (1991, kapitola 6) ponúka zreteľnú pravdepodobnostnú teóriu singulárnej príčinnej súvislosti z hľadiska časového vývoja pravdepodobností. Carroll (1991) a Hitchcock (1995) ponúkajú dve úplne odlišné línie reakcií. Hitchcock (2001b) tvrdí, že v práci sú skutočne (aspoň) dve rôzne rozdiely.

6.4 Redukcia a obežnosť

Vráťme sa k teóriám načrtnutým v časti 3, pripomíname, že teória NSO bola pokusom o redukčnú analýzu príčinných súvislostí z hľadiska pravdepodobností (a možno aj časového poriadku). Naproti tomu TS definuje kauzálne vzťahy z hľadiska pravdepodobností podmienenými špecifikáciami testovacích podmienok, ktoré sú samy osebe charakterizované v kauzálnych podmienkach. Zdá sa teda, že tieto teórie nemôžu byť analyzované príčinne, pretože príčiny sa objavujú v analysanoch. Vzhľadom na to, že TS obsahuje potrebné vylepšenia v porovnaní s NSO, vyzerá to, že príčinnú pravdepodobnosť nemožno znížiť. Môže sa to však vzdať príliš skoro. Pri určovaní toho, či je možné pravdepodobné zníženie príčinnej súvislosti, nie je ústrednou otázkou to, či sa slovo „príčina“objavuje v analysande aj v analysanoch; skôr,kľúčovou otázkou by malo byť, či vzhľadom na priradenie pravdepodobnosti množine faktorov existuje medzi týmito faktormi jedinečný súbor príčinných súvislostí zlučiteľný s priradením pravdepodobnosti a príslušnou teóriou.

Najdôležitejšiu prácu v tomto smere vykonali Spirtes, Glymour a Scheines. Namiesto správy o podrobnostiach ich výsledkov tu uvádzame všeobecnejšiu diskusiu. Predpokladajme, že medzi týmito faktormi je uvedený súbor faktorov a systém príčinných vzťahov: nazývajte to kauzálna štruktúra CS. Nech T je teória spájajúca kauzálne vzťahy medzi faktormi s pravdepodobnostnými vzťahmi medzi faktormi. Potom bude kauzálna štruktúra CS pravdepodobnostne rozlíšiteľná vzhľadom na T, ak pre každé priradenie pravdepodobností faktorom v CS, ktoré sú kompatibilné s CS a T, CS je jedinečná kauzálna štruktúra kompatibilná s T a týmito pravdepodobnosťami. (Dalo by sa sformulovať slabší zmysel pre rozlíšenie tým, že by sa vyžadovalo, aby iba určité priradenie pravdepodobností jednoznačne určovalo CS). Intuitívne,T umožňuje odvodiť, že kauzálna štruktúra je v skutočnosti CS vzhľadom na pravdepodobnostné vzťahy medzi faktormi. Vzhľadom na pravdepodobnostnú teóriu príčin T je možné si predstaviť veľa rôznych vlastností, ktoré by mohla mať. Tu je niekoľko možností:

  1. Všetky kauzálne štruktúry sú v porovnaní s T pravdepodobne
  2. Všetky kauzálne štruktúry, ktoré majú nejakú zaujímavú vlastnosť, sú s ohľadom na T pravdepodobne
  3. Akákoľvek kauzálna štruktúra môže byť zabudovaná do kauzálnej štruktúry, ktorá je pravdepodobne odlíšiteľná od T
  4. Skutočná kauzálna štruktúra sveta (za predpokladu, že existuje taká vec) je pravdepodobná vzhľadom na T.

Nie je zrejmé, aký typ vlastností rozlíšiteľnosti musí mať teória, aby predstavoval zníženie príčinnej pravdepodobnosti. Otázka, či je možné príčinnú súvislosť znížiť na pravdepodobnosti, je tak menej jednoznačná, ako by sa mohla zdať.

Odporúčané čítania: Najpodrobnejšie spracovanie pravdepodobnostnej rozlišiteľnosti je uvedené v Spirtes, Glymour a Scheines (2000); pozri najmä kapitolu 4. Spirtes, Glymour a Scheines dokazujú (veta 4.6) výsledok podľa línie 3 pre teóriu, ktorú navrhujú. Táto práca je veľmi technická. Sprístupnená prezentácia je obsiahnutá v dokumente Papineau (1993), ktorý obhajuje pozíciu pozdĺž línie 4.

Bibliografia

  • Arntzenius, Frank. (1993) „Princíp spoločnej príčiny“, Hull, Forbes a Okruhlik (1993), s. 227 - 237.
  • Bennett, Jonathan. (1988) Udalosti a ich mená. Indianapolis a Cambridge: Hackett.
  • Carroll, John. (1991) „Príčinná súvislosť s majetkom?“Philosophical Studies 63: 245-70.
  • Cartwright, Nancy. (1979) „Usal Laws and Effective Strategies“, Noûs 13: 419-437.
  • Dupré, John. (1984) „Emancipated Pravdepodobná kauzalita“, Peter French, Theodore Uehling, Jr. a Howard Wettstein, ed., (1984) Midwest Studies in Philosophy IX (Minneapolis: University of Minnesota Press), s. 169 - 175.
  • Earman, John. (1986) Primer na determinizmus. Dordrecht: Reidel.
  • Eells, Ellery. (1991) Pravdepodobná kauzalita. Cambridge, UK: Cambridge University Press.
  • Good, IJ (1961) „Kauzálny počet I“, British Journal for the Philosophy of Science 11: 305-18.
  • -----. (1962) „Kauzálny počet II“, British Journal for the Philosophy of Science 12: 43-51.
  • Hausman, Daniel. (1998) Kauzálne asymetrie. Cambridge: Cambridge University Press.
  • Hausman, Daniel a Woodward, James. (1999) „Nezávislosť, invariancia a kauzálny Markovský stav“, British Journal for the Philosophy of Science 50: 1 - 63.
  • Hesslow, Germund. (1976) „Diskusia: dve poznámky o pravdepodobnostnom prístupe k kauzalite,“Filozofia vedy 43: 290 - 292.
  • Hitchcock, Christopher. (1993) „Zovšeobecnená pravdepodobnostná teória príčinnej relevantnosti“, Synthese 97: 335-364.
  • -----. (1995) "The Mishap at Reichenbach Fall: Singular vs. General Causation", Philosophical Studies 78: 257 - 291.
  • ----. (2001a) „Príbeh dvoch efektov“, Philosophical Review 110: 361 - 396.
  • -----. (2001b) „Kauzálne zovšeobecnenia a dobré rady“, Monist 84: 218 - 241.
  • -----. (2002) „Zvyšujú všetky možnosti iba pravdepodobnosť účinkov?“v John Collins, Ned Hall a LA Paul (eds.), Kauzalita a kontrafaktuáli (Cambridge MA: MIT Press, 2002).
  • Hull, David, Mickey Forbes a Kathleen Okruhlik, eds. (1993) PSA 1992, zväzok dva. East Lansing: Asociácia filozofie vedy.
  • Hume, David. (1748) Vyšetrovanie týkajúce sa ľudského porozumenia.
  • Humphreys, Paul. (1989) Šanca na vysvetlenie: Kauzálne vysvetlenie v spoločenských, lekárskych a fyzikálnych vedách, Princeton: Princeton University Press.
  • Kvart, Igal. (1997) „Príčina a niektoré pozitívne kauzálne vplyvy“, Noûs 11: 401 - 432.
  • Lewis, David. (1986a) „Causation“a „Postscripts to„ Causation “, Lewis (1986c), s. 172-213.
  • -----. (1986b) „Protifrekvenčná závislosť a časová šípka“a „Príspevky na„ Protichodná závislosť a časová šípka “,“v Lewis (1986c), s. 32 - 66.
  • -----. (1986c) Philosophical Papers, Zväzok II. Oxford: Oxford University Press.
  • Mackie, John. (1974) Cement vesmíru. Oxford: Clarendon Press.
  • McKim, Vaughn a Stephen Turner, eds. (1997) Kauzalita v kríze? Notre Dame: University of Notre Dame Press.
  • Menzies, Peter. (1989) „Pravdepodobné kauzálne a kauzálne procesy: Critique of Lewis“, Philosophy of Science 56: 642-63.
  • Menzies, Peter. (1996) "Pravdepodobná príčinná súvislosť a preventívny zákon", Mind 105: 85-117.
  • Mill, John Stuart. (1843) Systém logiky, Ratiocinácie a Indukcie. Londýn: Parker a syn.
  • Noordhof, Paul. (1999) „Pravdepodobná príčinná súvislosť, preempcia a protiopatrenia“, Mind 108: 95 - 125.
  • Papineau, David. (1993) „Môžeme znížiť príčinný smer k pravdepodobnostiam?“v Hull, Forbes a Okruhlik (1993), s. 238-252.
  • Pearl, Judea. (1999) „Zdôvodnenie a príčina,“v zborníku z Medzinárodnej spoločnej konferencie o umelej inteligencii (San Francisco: Morgan Kaufman), s. 1437 - 1449.
  • -----. (2000) Kauzalita: Modely, uvažovanie a dedukcia. Cambridge: Cambridge University Press.
  • Cena, Huw. (1991) „Agency and Probabalistic Causality“, British Journal for the Philosophy of Science 42: 157-76.
  • Reichenbach, Hans. (1956) Smer času. Berkeley a Los Angeles: Kalifornská univerzita Press.
  • Salmon, Wesley. (1980) „Pravdepodobná kauzalita“, tichomorská filozofická štvrť: 61: 50 - 74.
  • Scheines, Richard. (1997) „Úvod k kauzálnemu záveru“v McKim a Turner (1997), s. 185 - 199.
  • Skyrms, Brian. (1980) Príčinná nevyhnutnosť. New Haven a Londýn: Yale University Press.
  • Sober, Elliott. (1985) „Dva koncepty príčiny“v Peter Asquith a Philip Kitcher, vyd., PSA 1984, zv. II (East Lansing: Association of Philosophy of Science), s. 405-424.
  • Spirtes, Peter, Clark Glymour a Richard Scheines. (2000) Príčina, predpoveď a hľadanie, druhé vydanie. Cambridge, MA: MIT Press.
  • Večere, Patrick. (1970) Pravdepodobná teória kauzality. Amsterdam: Vydavateľstvo North-Holland.
  • Woodward, James. (1990) "Supervenience and Singular Causal Claims", Dudley Knowles, ed., Vysvetlenie a jeho limity (Cambridge, UK: Cambridge University Press), s. 211 - 246.

Ďalšie internetové zdroje

[Obráťte sa na autora s návrhmi.]