tag:blogger.com,1999:blog-2467724970188645480.post4276868223164881496..comments2023-11-15T11:12:15.983+02:00Comments on T13-d3-m135: Syyt ja seuraukset.Tiedemieshttp://www.blogger.com/profile/08307419899926184187noreply@blogger.comBlogger7125tag:blogger.com,1999:blog-2467724970188645480.post-14723070058145764012018-08-23T12:57:18.066+03:002018-08-23T12:57:18.066+03:00Tiedemies, toki näin.
Tutkinkin sitä, miten G-kau...Tiedemies, toki näin.<br /><br />Tutkinkin sitä, miten G-kausaalisuuksista rakentuva verkko (tässä pörssikurssien muutokset) muuttuu ajan funktiona tai kun tarkastelufrekvenssi muuttuu.<br /><br />Aiemmissa tutkimuksissa oli viitteitä, että verkko pysyisi samana, mutta osoitin että se on vähemmän stabiili kuin mistä aiemmat tutkimukset antoivat viitteitä.Anonymousnoreply@blogger.comtag:blogger.com,1999:blog-2467724970188645480.post-31922835183178453092018-08-23T11:39:22.338+03:002018-08-23T11:39:22.338+03:00Mikko, en ole perehtynyt G-kausaalisuuteen, mutta ...Mikko, en ole perehtynyt G-kausaalisuuteen, mutta se vähä mitä olen aikasarjojen kanssa teoriaa tutkinut, niin vaikka aikasarjadata pystyy osan kausaalisuuskysymyksistä ratkaisemaan suoraan paremmin kuin pelkkä poikkileikkausdata, se ei silti mahdollista kausaalista päättelyä (juurikaan) sen paremmin. <br /><br />Eli, aikasarjan avulla voidaan todeta toki vääräksi kausaalisuus A->B, jos korrelaatio on sellainen että muutokset B:ssä aina edeltävät muutoksia A:ssa. Tästä ei kuitenkaan ilman erillistä kausaalista mallia voida päätellä mitään siitä, onko olemassa jokin C joka aiheuttaa molemmat. Jo mainitsemani esimerkki lämpömittarista (A) ja jäiden sulamisesta (B) osoittaa tämän. Toki, jokainen ymmärtää tässä sen taustateorian, että lämpömittarin lukema mittaa lämpötilaa joka puolestaan aiheuttaa molempia. <br /><br />Taloustieteessä voidaan vastaava yhteys ajatella vaikkapa työllisyyden ja inflaation välillä. (Yksinkertaistaen nyt hieman) Philipsin käyrä eli inflaatio --> työllisyys näytti puhtaasti havaintona solidilta teorialta, mutta kun inflaatiota aiheutettiin, työllisyys ei parantunutkaan. <br /><br />Tiedemieshttps://www.blogger.com/profile/08307419899926184187noreply@blogger.comtag:blogger.com,1999:blog-2467724970188645480.post-46987640996050712022018-08-23T11:32:40.107+03:002018-08-23T11:32:40.107+03:00Tuo karakterisointi on itse asiassa väärä, kirjoit...Tuo karakterisointi on itse asiassa väärä, kirjoitin siinä kohtaa hieman huolimattomasti. Kausaalisten verkkojen käytössä ei ole yleisesti välttämätöntä että tiedämme kaikki mahdolliset kausaaliset tekijät. Jos tutkimme suoria syy-yhteyksiä, eli meillä ei ole välittäviä tekijöitä, niin näin on, eli jos meillä on kolme kausaalisuhdetta A->B, C->A, C->B, niin jos C on näistä tuntematon, emme voi falsifioida C:n vaikutusta. <br /><br />Sensijaan, jos meillä on tiedossa edes jokin välittävä muuttuja, johon (tuntematon) C ei "voi" vaikuttaa, eli jos ketjut ovat A->X->B, C->A, sekä C->B, ja X on havaittavissa, niin voimme "erottaa" C:n ja A:n vaikutukset toisistaan siitäkin huolimatta, että C:stä ei ole mittausdataa. <br /><br />Mutta asia on suunnilleen niin kuin Antti yllä sanoo. Teorialla on väistämättä suuri rooli. En tiedä onko sille virhepäätelmälle nimeä, mutta sanotaan näin että "korrelaatiosta ei voi päätellä kausaalisuutta" on totta vain sillä tasolla kun tarkastelemme dataa ilman teoriaa. Datasta ei voi (yksinään) luoda teoriaa, mutta dataa voi verrata teoriaan. <br /><br />Pearlin pointti minun nähdäkseni on, että tason 2 tutkimus voidaan tehdä ikään kuin "modulo teoria", jos teoria on riittävän kattava. Toisaalta tason 2 tutkimus ilman taustateoriaa vaatii kontrolloituja kokeita, koska ilman teoriaa emme voi tehdä oletuksia potentiaalisista kausaalisista tekijöistä. Tason 3 tutkimusta taas ei voi tehdä lainkaan ilman teoriaa, koska vain teoria voi vastata kysymykseen "mitä olisi tapahtunut jos ei-X olisi tapahtunut X:n sijaan", data ei voi koskaan vastata tällaiseen kysymykseen, koska jos ei-X olisi tapahtunut, se olisi ollut osa dataa. <br /><br />Tiedemieshttps://www.blogger.com/profile/08307419899926184187noreply@blogger.comtag:blogger.com,1999:blog-2467724970188645480.post-55790894040985324072018-08-22T15:03:01.788+03:002018-08-22T15:03:01.788+03:00Käytin gradussani Granger-kausaalisuutta, joka per...Käytin gradussani Granger-kausaalisuutta, joka perustuu aikasarjoihin. B on G-kausaalinen A:sta, jos A:n avulla voidaan ennustaa tulevaa B:tä.Anonymousnoreply@blogger.comtag:blogger.com,1999:blog-2467724970188645480.post-6333989353180473332018-08-22T13:59:22.992+03:002018-08-22T13:59:22.992+03:00Kiitoisa esitys.
"olennaista on se, onko me...Kiitoisa esitys. <br /><br />"olennaista on se, onko meillä kaikki mahdolliset kausaaliset tekijät tiedossa". <br /><br />Tämä tuntuisi jättävän teorialle, asiantuntemukselle tai miksi sitä sitten haluaakaan kutsua tutkimuksessa isomman merkityksen kuin ajattelutapa, jossa kausaalisuuden selvittämisen mahdollisuuteen suhtaudutaan vakavasti vain, jos on mahdollista tehdä tason 2 tai 3 tutkimuksia. Otan esimerkiksi Wilsonin ja Pickettin kirjan Spirit level, jota kohtaan on tunnetusti esitetty kritiikkiä tyyliin "kausaalisuudesta ei voi päätellä korrelaatioa". Olisiko tässä kuvatun ajattelutavan mukaan mielekästä tarkastella muita selitysmalleja siten, että kun muut oleelliset mekanismit on käyty lävitse, Spirit levelin teesin voisi katsoa hylätyksi tai ainakin todeta, että mikään muu seikka ei näytä selittävän löydöstä?Anttihttps://www.blogger.com/profile/07656946298440569940noreply@blogger.comtag:blogger.com,1999:blog-2467724970188645480.post-8903768137047592902018-08-22T13:28:26.816+03:002018-08-22T13:28:26.816+03:00Kyllä. Tässä minusta keskeistä on se, että vaikka ...Kyllä. Tässä minusta keskeistä on se, että vaikka todellakin on niin, ettei korrelaatiosta voi päätellä kausaalisuutta, niin havaintoaineistosta voidaan kuitenkin falsifikoida joitain kausaalisia malleja, ja tämä on se pihvi, loppujen lopuksi. <br /><br />Eli, vaikka ei voida ottaa havaintodataa ja luoda siitä kausaalista mallia, voidaan luoda kausaalinen malli ja katsoa onko havaintodata sen kanssa ristiriidassa. <br /><br />Tarkemmin sanoen, voidaan tietenkin luoda kausaalisia malleja havaintodatasta, mutta niitä voidaan luoda useampia ja niistä ei voi päätellä mitään yksikäsitteistä esimerkiksi muuttujista joilla voi olla kausaalisia suhteita havaintomuuttujiin. Data pelkästään ei esimerkiksi voi vastata siihen, että aiheuttaako jäätelön kulutus hukkumiskuolemia tai peräti hukkumiskuolemat jäätelön kulutusta, mutta jos muuttujia on muita (esimerkiksi lämpötila), niin tietyt kausaalisuhteet voidaan ainakin sulkea pois. Tiedemieshttps://www.blogger.com/profile/08307419899926184187noreply@blogger.comtag:blogger.com,1999:blog-2467724970188645480.post-65130505847889008582018-08-22T11:51:18.362+03:002018-08-22T11:51:18.362+03:00Aihe ainakin on äärimmäisen mielenkiintoinen. Ei m...Aihe ainakin on äärimmäisen mielenkiintoinen. Ei meille koulussa opetettu kausaalisuudesta muuta kuin sääntö yksi: korrelaatiosta ei päätellä kausallisuutta. Sen lisäksi olen aiemmin tuntenut vain Hillin kriteerit, jotka ovat lähinnä riittävä ehtoja. Voi olla, että muutamasta uudesta työkalusta ei synny hyvää populaarikirjaa ja siitä jää outo maku suuhun. Teemu Roviohttps://www.blogger.com/profile/11891426292777435406noreply@blogger.com