Saltar al contenido
Nóesis
Todas las familias
F25Incertidumbre y datosdesde 2000

IA causal

Escalera de Pearl: asociar, intervenir, imaginar

Correlación no es causación. La IA causal distingue observar, intervenir e imaginar mundos contrafactuales.

2000
año fundacional
1
laboratorio
2
ecuaciones
4
hitos citados
Ir al laboratorio en vivo
Lámina F25semitono de dos tintas · en vivo
§1

Intuición

Pensar es estimar, con probabilidades y ejemplos.

Tres peldaños: asociación P(y∣x)P(y|x), intervención P(y∣mathrmdo(x))P(y|mathrm{do}(x)), contrafactuales.

Un DAG codifica flechas de causa; el do-cálculo estima efectos a veces desde datos observacionales.

Intervienes en un DAG y comparas asociación con ATE.

§2

Mecanismo

do-cálculo reescribe P(y∣mathrmdo(x))P(y|mathrm{do}(x)) en términos observacionales (back-door, front-door).

ATE =mathbbE[Y∣mathrmdo(T=1)]−mathbbE[Y∣mathrmdo(T=0)]=mathbb{E}[Y|mathrm{do}(T=1)]-mathbb{E}[Y|mathrm{do}(T=0)], distinto de la diferencia asociativa con confusores.

SCM: Xi:=fi(mathrmPai,Ui)X_i:=f_i(mathrm{Pa}_i,U_i); intervenir reemplaza fTf_T.

Ec. 25.1Ajuste back-door
P(y∣do(x))=∑zP(y∣x,z)P(z)P(y|\mathrm{do}(x))=\sum_z P(y|x,z)P(z)
Ec. 25.2Efecto medio del tratamiento
ATE=E[Y1−Y0]\mathrm{ATE}=\mathbb{E}[Y^1-Y^0]
§3

Laboratorio

Lab 25.1 calculado en tu navegadorDetectando…

Intervenir en un DAG

Observa o aplica do sobre nodos. Compara asociación y ATE; enciende confusores.

§4

Historia

  1. 1988

    Pearl: redes bayesianas y luego diagramas causales.

    Pearl (1988)

  2. 2000

    Causality fija el do-cálculo.

    Pearl (2000)

  3. 2018

    The Book of Why.

    Pearl & Mackenzie

  4. 2022

    Double ML y causal forests en producción.

    Chernozhukov; Athey & Wager

§5

Límites

1

El grafo es una hipótesis.

2

Contrafactuales exigen supuestos de ruido.

3

Datos intervencionales son caros.

§6 · Pregunta filosófica

¿Basta con predecir o hay que explicar?

Un modelo que predice puede fallar al intervenir.

¿Pearl descubre causas o disciplina hipótesis?

Familias conectadas
F02
Modelos probabilísticos
Redes bayesianas, cadenas ocultas de Markov, inferencia
F03
Aprendizaje automático clásico
Regresión, árboles, SVM, k-medias, vecinos cercanos
F35
Equidad y sesgo
Paridad demográfica, igualdad de oportunidades
F20
Agentes
Uso de herramientas, bucles de planificación, sistemas multiagente
Anterior · F24
Arquitecturas cognitivas
Siguiente · F26
Meta-aprendizaje