Причинно следственная связь что это: 1.2.3. Прямая причинно-следственная связь между нарушением и убытками

Автор: | 20.08.1976

Содержание

Harvard Business Review Россия

Способность аналитически мыслить чрезвычайно полезна для современного руководителя. Она, как я объяснял раньше, начинается с умения собрать данные, составить простые схемы, сделать первые выводы и спланировать дальнейшие шаги. Но данные не так-то легко расстаются со своими тайнами. Мы достаточно быстро устанавливаем некие соотношения, но для глубокого понимания причинно-следственных связей требуется нечто большее. И особенно опасно путать причину со следствием.

Каждый менеджер должен строго различать корреляции и причинно-следственные связи, поскольку путаница возникает регулярно. Запуск новых продуктов, маркетинг, планирование, инвестиции — все это требует внимания и все это поминутно меняется. Большие данные и сложные аналитические инструменты устанавливают неожиданные соотношения между событиями, и главное здесь — это умение отличать действительно прекрасную возможность от сомнительной приманки. Ведь едва ли не главная задача менеджера — делать то, что в его власти, чтобы повлиять на конечный результат.

В качестве иллюстрации расскажу о своих попытках посидеть на диете.

Изначально судьба одарила меня отменным здоровьем. Я люблю заниматься спортом и никогда не отлыниваю. И все же с годами я стал набирать вес. Беда в том, что покушать я тоже люблю. Порой я задумывался насчет диеты, но не вникал ни в какие тонкости, за исключением общеизвестных («поменьше мяса, в нем холестерин!»), и до прошлого сентября всегда находил себе оправдание. Однако с 22 сентября я начал выполнять те предписания, о которых сам же рассказал в своем недавнем блоге. Это оказалось немного сложнее, чем я надеялся, но я совладал. Нашел в интернете программу, позволяющую учитывать съеденное. Через три месяца я смог нарисовать графики — я помещаю их здесь, потому именно такие методы исследования я успешно применяю в работе.

На первом графике я отмечал свой вес (синие точки) и ежедневное количество потребленных калорий (синяя линия). Здесь также указано «рекомендуемое количество калорий» (зеленая линия).

image

Потребление калорий с 22 сентября по 17 декабря 2013 года.

А теперь вникнем. Нетрудно заметить, что я ел чересчур много со второй недели по четвертую и прибавил в весе. Это ясно: между количеством потребляемых калорий и прибавкой веса существует причинно-следственная связь. Корреляция имеет реальное объяснение.

К сожалению, очевидный вывод — «Ешь меньше!» — меня не устраивает. Если б я мог есть меньше, я бы и не толстел. Придется разобраться с этим повнимательнее.

Еще одно возможное объяснение: в эти недели я путешествовал. Я нанес на график эту поездку и последующие. График подтвердил мою гипотезу: и без того не слишком правильное пищевое поведение в дороге усугубляется.

Заметьте: хотя корреляция между путешествием и прибавкой веса представляется интересной, график сам по себе не может служить доказательством причинно-следственной связи. Разумеется, путешествую я не оттого, что много ем, — но я пока что не мог объяснить, почему я переедаю, когда путешествую. Требовалось выявить еще какие-то скрытые факторы. Может быть, тут совпадает сразу несколько причин: незнакомая еда, слишком много ужинов с напитками плюс аэропортовский фаст-фуд — а может быть, проблема заключается в чем-то другом. Об этом было попросту рано судить. Путешествие оказалось «ближайшей» причиной ослабления контроля веса, но не «коренной» причиной, с которой следовало бы разобраться.

Мы подошли к ключевому моменту: выявить корреляцию — еще не значит установить причину, но это тот исходный пункт, отрываясь от которого можно изучать имеющиеся данные, рассматривать другие факты и т. д.

Например, прибавка веса в две ноябрьские недели поначалу озадачивала, ведь в это время я контролировал количество калорий. Тогда я добавил к графику занятия спортом. Оказалось, что как раз в эту пору занятия спортом резко сократились. Опять же все разумно: физические упражнения сжигают калории, меньше упражнений — больше вес. Ни в коем случае не нарушать график тренировок!

image

Занятие спортом с с 22 сентября по 17 декабря 2013 года.

Но осторожность и еще раз осторожность! Хотя с виду недостаток занятий спортом годится в качестве основной причины прибавки веса, зависимость может оказаться не такой простой. Скажем, дополнительные занятия могут пробудить аппетит и свести на нет эффект сожженных калорий. Например, летом по воскресеньям я люблю прокатиться на велосипеде и, если не ошибаюсь, после долгой поездки так и набрасываюсь на ужин. Но на этом этапе я не располагаю данными для дополнительной проверки, поэтому физические упражнения признаются в качестве «основной причины при прочих равных» и не более того.

Последний график отражает ежедневное потребление жира. Даже в последние недели, когда в целом удалось снизить потребление калорий и вес стабилизировался, жира в моей диете все еще было многовато. Я проконсультировался с диетологом, и она предупредила: в грамме жира содержится девять калорий, в то время как в грамме углеводов — всего четыре! Заметьте, что, хотя я не установил корреляцию между этими данными, мои подозрения насчет лишнего потребления жира убедительно подтверждаются реальными фактами.

image

Потребление жира с 22 сентября по 17 декабря 2013 года.

Следующий шаг: я проверяю девять дней максимального потребления жира, выявляю три основных вида пищи, в которых содержится жир, и сокращаю их в своем рационе.

Вот почему подобный анализ так полезен. Во-первых, необходимы данные. Интуиция подсказывает, что физические упражнения пойдут на пользу, но та же интуиция неоднократно обманывала меня, когда дело касалось диеты! Точно так же обстоят дела и в бизнесе. Клиенты, обратившиеся ко мне за консультацией, твердят: «я знаю то», «я знаю се» — и порой оказываются правы, но гораздо чаще заблуждаются.

Во-вторых, не бойтесь задавать трудные вопросы и о данных, и на другие темы. Я не психолог, но думаю, что отчасти не всегда полезная психология «знания» проистекает из страха ошибки. Я чувствовал себя полным дураком, обращаясь к диетологу, зато она помогла мне разобраться, чем вреден жир.

В-третьих, нужно отсеивать сомнительные данные. Дважды мой дневной рацион калорий оказывался чересчур низким, и я пометил эти дни красным крестиком. Так бывает всегда: какие-то данные оказываются ненадежными, и правильная обработка их особенно важна, когда нужна точная калибровка или когда высоки ставки. Однако если таких подозрительных точек на графике не много, можно спокойно проводить анализ.

В-четвертых, чтобы добраться до коренных причин, выбирайте не слишком много факторов — причем хорошо обоснованных. В моем случае удалось прояснить все потенциальные факторы, влияющие на вес: путешествие, физкультуру и количество жира в пище. Но пока мы еще не уверены, что эти причины — действительно коренные, нужно разобраться, что именно происходит, как один фактор соотносится с другим. Точно так же полагается действовать и в бизнесе.

В-пятых, корреляцию часто путают с причиной. Вот недавний пример: мой сын со своей женой отправился на семинар и услышал там такую фразу: «В семьях, где мужья помогают по дому и в воспитании ребенка, секса гораздо больше». Занятное совпадение, но как установить причинно-следственную связь? Когда мужья помогают, их усилия вознаграждаются сексом — или хорошая сексуальная жизнь побуждает помогать по дому? А может быть, тут задействованы какие-то скрытые факторы? Да и верна ли эта корреляция? Итак, не нужно в каждом совпадении видеть причинно-следственную связь — это лишь один из ключей, которые нужно соединить с другими, прежде чем прийти к окончательному выводу. Корреляция — не причинно-следственная связь. Но это — правильный отправной пункт.

На момент, когда я пишу это (прошло шесть недель после составления графика), я похудел на полтора килограмма. Здорово? Да нет, ничего особенно. В таких пределах прибавки и убавки веса случаются довольно часто. Тут опять же, как в бизнесе, важнее другой вопрос: надолго ли это? И хватит ли у меня силы воли, чтобы продержаться? Ведь эти графики — только начало. Диета, как и бизнес, штука сложная. Кто понимает, тот, конечно же, задаст вопросы вроде: «А вы едите фрукты?», «А как обстоит дело с насыщенными жирами?», «Сколько нужно пить?» и т. п. Чтобы от анализа была польза, приходится от первоначальных схем переходить к следующим.

И я надеюсь, что, как и в прошлый раз, читатели обрадовались, осознав, как использовать данные в поисках причинно-следственных связей. Анализ — это же пиршество мозга, не одним специалистам им тешиться!

Читайте по теме:

МОДУЛЬ 4 – Установление причинно-следственной связи ПППИ

С дополнительной информацией об установлении причинно-следственной связи можно ознакомиться в отчете Глобального консультативного комитета по безопасности вакцин (ГККБВ) «Установление причинно-следственной связи побочных проявлений после иммунизации». В отчете рассматриваются другие условия и меры, которые должны быть применены при установлении причинно-следственной связи в области безопасности вакцин..

Отчет ГККБВ: Установление причинно-следственной связи побочных проявлений после иммунизации

Во многих странах действуют системы ПППИ, и сообщениям о подозреваемых побочных проявлениях уделяется большое внимание. Такие системы были успешны при выявлении тяжелых ПППИ после того, как вакцины были разрешены к использованию. Как правило, есть необходимость в дополнительных исследованиях с целью дальнейшего расследования причинно-следственной связи ПППИ.

Несмотря на то, что наиболее надежный путь определения наличия причинно-следственной связи вакцины с побочным проявлением — это рандомизированное клинические испытание, такие испытания ограничены этапом клинической разработки вакцины. После того, как вакцина лицензирована, возможность проведения контролируемых исследований больше не рассматривается ввиду этических соображений (отказ от вакцинации).

Установление причинно-следственной связи представляет собой систематическую проверку данных о случае ПППИ. Такая оценка определяет вероятность наличия причинно-следственной связи между проявлением и полученной вакциной (вакцинами). Оценка причинно-следственной связи позволяет установить:

  • имеет ли ПППИ отношение к вакцине или программе вакцинации;
  • какие шаги, при необходимости, должны быть сделаны для реагирования на данное проявление.

Памятка ВОЗ по установлению причинно-следственной связи служит руководством для систематического, стандартизированного процесса оценки причинно-следственной связи в отношении серьезных побочных проявлений после иммунизации (включая кластеры проявлений).36

Памятка ВОЗ: ПППИ: Установление причинно-следственной связи

Результаты определения причинно-следственной связи помогают повысить среди работников сферы здравоохранения осведомленность о рисках, связанных с вакциной. Все это, вместе со знанием о пользе иммунизации, формирует базу для информирования родителей и /или вакцинируемых о вопросах, касающихся вакцин.

Качество оценки причинно-следственной связи зависит от:

  • качества отчета о случае ПППИ,
  • эффективности системы отчетности о ПППИ,
  • качества процесса контроля причинно-следственной связи.

Установление причинно-следственной связи побочных проявлений с использованием вакцины основывается на пяти принципах. 35

конфликт судебно-экспертной методологии и отечественного уголовного права

З. Б. Соктоев, в свою очередь, считает, что невыполнение лицом

возложенных обязанностей может быть признано причиной лишь при условии

наличия «более или менее высокой» степени вероятности наступления вреда в

результате подобного нарушения52.

Несмотря на вышеприведенную критику, мы согласны с А.Ю. Кошелевой в

ее оценке случайности в уголовном праве – случайность действительно не может

иметь место в каузальном детерминизме. Однако необходимо сделать одно важное

замечание: случайность – это не только описание беспричинного события, но и

ограниченного понимания явления.

Например, если подбросить монетку, то результатом будет либо «орел»,

либо «решка». Детерминизм – частное следствие физических законов и поведение

этой монетки вполне предопределено и результат броска закономерен. Однако

сторонний наблюдатель не имеет возможности осмыслить все факторы, которые

влияют на ее поведение, и, как следствие – повторить этот результат. Это значит,

что связь между броском монетки в качестве причины и ее падением на одну из

сторон не может быть познана в терминах каузального детерминизма, а только

стохастически. Результат броска монеты объективно закономерен, но для нас он –

случаен.

Проблема в том, что и врачи, и эксперты, и правоприменители, точно так же

не способны объективно познать действительность во всей ее полноте, а значит,

вынуждены при оценке обстоятельств дела их «обобщать», пользуясь

упрощенными моделями.

В медицине это в полной мере проявляется в установлении эффективности

лекарственных средств и иных методов лечения.

Если обратится к нормативной базе проведения испытаний новых методов

лечения и диагностики, то выяснится, что новый метод лечения считается

эффективным, если: а) могут быть использованы для применения медицинскими

организациями, б) повышают качество оказания медицинской помощи (снижение

уровня госпитализаций, снижение внутрибольничной летальности, увеличение

длительности ремиссии, сокращение периода временной нетрудоспособности,

снижение степени инвалидизации, снижение риска развития заболеваний,

установление диагноза на ранних стадиях развития заболеваний)53.

Несложно заметить, что из признаков во второй категории абсолютным

показателем является только возможность установления диагноза на более ранних

стадиях, все остальные – относительные, то есть вероятностные.

Современная медицинская наука, при всех прорывах XX и XXI века, не

способна гарантировать ни неизбежность излечения, ни абсолютную верность

51 Дагель П.С. Причинная связь в преступлениях, совершенных по неосторожности // Вопросы борьбы с

преступностью. М., 1981. Вып. 34. С.31-35. 105 с.

52 Соктоев З. Б. К истории вопроса причинности в уголовном праве //Сибирский юридический вестник. –

2000. – №. 3. – С. 45.

53 Приказ Министерства здравоохранения РФ от 10 июля 2015 г. № 433н «Об утверждении Положения об

организации клинической апробации методов профилактики, диагностики, лечения и реабилитации и оказания

медицинской помощи в рамках клинической апробации методов профилактики, диагностики, лечения и

реабилитации (в том числе порядка направления пациентов для оказания такой медицинской помощи), типовой

формы протокола клинической апробации методов профилактики, диагностики, лечения и реабилитации»

1.

 Понятие о причинно-следственных связях. Логика: конспект лекций

1. Понятие о причинно-следственных связях

Перед тем как рассматривать непосредственно методы установления причинно-следственных связей, необходимо уяснить себе понятие причины и следствия.

Причиной называют такое явление, процесс или предмет, который уже в силу своего существования вызывает определенные изменения окружающего мира. Причина характеризуется тем, что всегда предшествует результату. Она лежит как бы в основе последствия. Так, ни одно следствие невозможно представить себе без причины, ведь последняя является своего рода отправной точкой. Приведем пример: «Ударила молния — лес загорелся». Очевидно, что здесь причиной является молния, если именно она спровоцировала пожар. Без такой причины следствия быть не могло. Конечно, можно говорить о том, что пожар мог начаться в результате поджога, однако в таком случае причиной стал бы поджог.

Следствие — это то, что влечет за собой причина; оно всегда вторично и зависимо, определяемо ей. Именно на таком соотношении причины и следствия построен профессиональный процесс многих людей. Пожарные, спасатели, сотрудники правоохранительных органов, прежде чем приступить к работе, вначале ищут причину. Например, пожарные приступают к тушению пожара, только когда более-менее ясно, от чего возник пожар и где. В противном случае риск для жизни повысился бы в несколько раз. Конечно, окончательно причина возгорания, будь то поджег, неисправность электропроводки или неосторожное обращение с огнем, становится ясна только по окончании тушения, но первоначально она должна быть определена хотя бы примерно.

Работник правоохранительных органов, выезжая на место происшествия, первым делом определяет причины этого происшествия. Если поступил сигнал об убийстве, необходимо проверить, является ли происшедшее на самом деле преступлением.

То есть определяется причина смерти. При этом отсеиваются версии о самоубийстве, несчастном случае, смерти от болезни и т. д. После этого (если установлено, что убийство имело место) определяется уже причина совершения преступления — корысть, месть и т.

 д.

Спасатели, приезжая на место вызова, вначале определяют причину несчастного случая, для того чтобы разработать наиболее эффективную тактику спасения. Если речь идет о падении с высоты, автомобильной катастрофе или другом травматичном событии, появляется необходимость в особом порядке транспортировки. Так, например, шейный, грудной и поясничный отделы позвоночника должны быть зафиксированы на случай, если имеются повреждения позвоночного столба. Виды оказываемой первой помощи также зависят от того, какое именно событие привело к возникновению опасных ситуаций, получению травм. Очевидно, что спасатели определяют причины произошедших событий для наиболее эффективной организации помощи гражданам.

На первый взгляд может показаться, что определение причины не важно, не имеет большого значения, однако приведенные выше примеры говорят об обратном. Установление причины необходимо, так как в противном случае оперативный работник милиции искал бы несуществующего преступника, расследуя стечение обстоятельств, похожее на преступление (стоит ли говорить, что установление причины — большая часть оперативной работы), а пожарные и спасатели не справлялись с работой.

Таким образом, причиной называется такая объективная связь между двумя явлениями, когда одно из них вызывает другое — следствие.

Раскрытие причинной связи между явлениями представляет собой сложный многогранный процесс, включающий разнообразные логические средства и способы познания. В логике разработано несколько методов установления причинной связи между явлениями. Из этих методов чаще всего используются четыре: метод сходства, метод различия, метод сопутствующих изменений и метод остатков. Нередко в научном исследовании применяются сочетания этих методов, но для уяснения сути вопроса следует рассмотреть их отдельно{12}.

Данный текст является ознакомительным фрагментом.

Продолжение на ЛитРес

Причинно-следственная связь — вопрос права или вопрос факта?

Как известно, основаниями для удовлетворения требования о взыскании убытков является совокупность условий: факт их причинения, документально подтвержденный размер убытков и наличие причинно-следственной связи между понесенными убытками и нарушением.

Для деликтной ответственности чуть иначе, но причинно-следственная связь также необходима.

Чем же является причинно-следственная связь — вопросом права или вопросом факта? Вопрос о наличии либо отсутствии причинно-следственной связи часто ставят на разрешение эксперта. Но вопрос права на разрешение эксперта ставить нельзя.

Значит, вопрос факта. Но так ли это?

Как соотнести «причинно-следственная связь = вопрос факта» с презумпциями в п.5 постановления Пленума Верховного Суда от 24.03.16 № 7? С разрешением вопросов о причинно-следственной связи в инстанциях, следующих за апелляцией? С тем, что Верховный Суд недавно указал «причиненные истцу убытки были связаны с определением сторонами договора купли-продажи по своему усмотрению порядка оплаты квартиры, сама по себе не может служить основанием для отказа в иске, поскольку не свидетельствует об отсутствии вреда, причинной связи между противоправным поведением и наступившим вредом, вины причинителя вреда»?

Или все-таки именно причинно-следственная связь — это вопрос права, а уже «повлияло ли на возникшие убытки событие такое-то по мнению эксперта» — это вопрос факта, который и можно ставить перед экспертом. Аналогично и стороны вправе представлять доказательства причинной связи, но на их основании суд должен лишь промежуточно установить наличие либо отсутствие обстоятельств, которые будут далее использованы судом для разрешения вопроса о наличии причинно-следственной связи.

Обычные примеры — договорные убытки, ДТП. Можно ограничиться заключением эксперта, который прямо укажет «действия лица Х находились в прямой причинной связи с наступившими последствиями» или все-таки вопрос посложнее?!

Анализируем причинно-следственные связи метрик ВКонтакте / Хабр

Всем привет, меня зовут Анвер, я работаю в команде Core ML ВКонтакте. Одна из наших задач — создавать и улучшать алгоритмы ранжирования для ленты новостей. В этой статье расскажу о том, как можно применять для этого причинно-следственный анализ — чтобы в результате сделать сервис интереснее для пользователей. Поговорим про преимущества такого подхода по сравнению с корреляционным анализом, и я предложу модификации существующих алгоритмов.

Что такое короткие и долгие метрики?

Модели ранжирования пытаются оценить вероятность того, что пользователь повзаимодействует с новостью (постом): задержит на ней внимание, поставит отметку «Нравится», напишет комментарий. Затем модель распределяет записи по убыванию этой вероятности. Поэтому, улучшая ранжирование, мы можем получить рост CTR (click-through rate) пользовательских действий: лайков, комментов и других. Эти метрики очень чувствительны к изменениям модели ранжирования. Я буду называть их

короткими

.

Но есть и другой тип метрик. Считается, например, что время, проведённое в приложении, или количество сессий пользователя намного лучше отражают его отношение к сервису. Будем называть такие метрики долгими.

Оптимизировать долгие метрики непосредственно через алгоритмы ранжирования — нетривиальная задача. С короткими метриками это делать намного проще: CTR лайков, например, напрямую связан с тем, насколько хорошо мы оцениваем их вероятность. Но если мы знаем причинно-следственные (или каузальные) связи между короткими и долгими метриками, то можем сфокусироваться на оптимизации лишь тех коротких метрик, которые должны предсказуемо влиять на долгие. Я попытался извлечь такие каузальные связи — и написал об этом в своей работе, которую выполнил в качестве диплома на бакалавриате ИТМО (КТ). Исследование мы проводили в лаборатории «Машинное обучение» ИТМО совместно с ВКонтакте.

Ссылки на код, датасет и песочницу

Весь код вы можете найти здесь:

AnverK

.

Чтобы проанализировать связи между метриками, мы использовали датасет, включающий результаты более чем 6 000 реальных A/B-тестов, которые в разное время проводила команда ВКонтакте. Датасет тоже доступен в репозитории.

В песочнице можно посмотреть, как пользоваться предложенной обёрткой: на синтетических данных.
А здесь — как применять алгоритмы к датасету: на предложенном датасете.

Боремся с ложными корреляциями

Может показаться, что для решения нашей задачи достаточно посчитать корреляции между метриками. Но это не совсем так: корреляция — это не всегда причинно-следственная связь. Допустим, мы измеряем всего четыре метрики и их причинно-следственные связи выглядят так:


Не умаляя общности, предположим, что в направлении стрелки идёт положительное влияние: чем больше лайков, тем больше SPU. В таком случае можно будет установить, что комментарии к фото положительно влияют на SPU. И решить, что если «наращивать» эту метрику, увеличится SPU. Такое явление называют ложной корреляцией: коэффициент корреляции достаточно высокий, но причинно-следственной связи нет. Ложная корреляция проявляется не только у двух следствий одной причины. Из этого же графа можно было бы сделать неверный вывод и о том, что лайки положительно влияют на количество открытий фото.

Даже на таком простом примере становится очевидно, что простой анализ корреляций приведёт к множеству неверных выводов. Восстановить причинно-следственные связи из данных позволяет causal inference (методы вывода связей). Чтобы применить их в задаче, мы выбрали наиболее подходящие алгоритмы causal inference, реализовали для них python-интерфейсы, а также добавили модификации известных алгоритмов, которые лучше работают в наших условиях.

Классические алгоритмы вывода связей

Мы рассматривали несколько методов вывода связей (causal inference): PC (Peter and Clark), FCI (Fast Causal Inference) и FCI+ (похож на FCI с теоретической точки зрения, но намного быстрее). Почитать о них подробно можно в этих источниках:

  • Causality (J. Pearl, 2009),
  • Causation, Prediction and Search (P. Spirtes et al., 2000),
  • Learning Sparse Causal Models is not NP-hard (T. Claassen et al., 2013).

Но важно понимать: первый метод (PC) предполагает, что мы наблюдаем все величины, влияющие на две метрики или более, — такая гипотеза называется Causal Sufficiency. Другие два алгоритма учитывают, что могут существовать ненаблюдаемые факторы, которые влияют на отслеживаемые метрики. То есть во втором случае каузальное представление считается более естественным и допускает наличие ненаблюдаемых факторов

:

Все реализации этих алгоритмов представлены в библиотеке pcalg. Она прекрасная и гибкая, но с одним «недостатком» — написана на R (при разработке самых вычислительно тяжёлых функций используется пакет RCPP). Поэтому для перечисленных выше методов я написал обёртки в классе CausalGraphBuilder, добавив примеры его использования.

Опишу контракты функции вывода связей, то есть интерфейс и результат, который можно получить на выходе. Можно передать функцию тестирования на условную независимость. Это такой тест, который возвращает при нулевой гипотезе, что величины и условно независимы при известном множестве величин . По умолчанию используется тест, основанный на частной корреляции. Я выбрал функцию с этим тестом, потому что она используется по умолчанию в pcalg и реализована на RCPP — это делает её быстрой на практике. Также можно передать , начиная с которого вершины будут считаться зависимыми. Для алгоритмов PC и FCI также можно задать количество CPU-ядер, если не нужно писать лог работы библиотеки. Для FCI+ такой опции нет, но я рекомендую использовать именно этот алгоритм — он выигрывает по скорости. Ещё нюанс: FCI+ на данный момент не поддерживает предложенный алгоритм ориентации рёбер — дело в ограничениях библиотеки pcalg.

По итогам работы всех алгоритмов строится PAG (partial ancestral graph) в виде списка рёбер. При алгоритме PC его стоит интерпретировать как каузальный граф в классическом понимании (или байесовскую сеть): ребро, ориентированное из в , означает влияние на . Если ребро ненаправленное или двунаправленное, то мы не можем однозначно его ориентировать, а значит:

  • или имеющихся данных недостаточно, чтобы установить направление,
  • или это невозможно, потому что истинный каузальный граф, используя только наблюдаемые данные, можно установить лишь с точностью до класса эквивалентности.

Результатом работы FCI-алгоритмов будет тоже PAG, но в нём появится новый тип рёбер — с «о» на конце. Это означает, что стрелка там может как быть, так и отсутствовать. При этом важнейшее отличие FCI-алгоритмов от PC в том, что двунаправленное (с двумя стрелками) ребро даёт понять, что связываемые им вершины — следствия некой ненаблюдаемой вершины. Соответственно, двойное ребро в PC-алгоритме теперь выглядит как ребро с двумя «о» на концах. Иллюстрация для такого случая есть в песочнице с синтетическими примерами.

Модифицируем алгоритм ориентации рёбер

У классических методов есть один существенный недостаток. Они допускают, что могут быть неизвестные факторы, но при этом опираются на ещё одно слишком серьёзное предположение. Его суть в том, что функция тестирования на условную независимость должна быть идеальной. Иначе алгоритм за себя не отвечает и не гарантирует ни корректность, ни полноту графа (то, что больше рёбер сориентировать нельзя, не нарушая корректность). Много ли вы знаете идеальных тестов на условную независимость при конечной выборке? Я нет.

Несмотря на этот недостаток, скелеты графов строятся довольно убедительно, но ориентируются слишком агрессивно. Поэтому я предложил модификацию к алгоритму ориентации рёбер. Бонус: она позволяет неявным образом регулировать количество ориентированных рёбер. Чтобы понятно объяснить её суть, пришлось бы подробно говорить здесь о самих алгоритмах вывода каузальных связей. Поэтому теорию по этому алгоритму и предложенной модификации я приложу отдельно — ссылка на материал будет в конце поста.

Сравниваем модели — 1: оценка правдоподобия графа

Одну из серьёзных трудностей при выводе каузальных связей представляет, как ни странно, сравнение и оценка моделей. Как так вышло? Дело в том, что обычно истинное каузальное представление реальных данных неизвестно. И тем более мы не можем знать его с точки зрения распределения настолько точно, чтобы генерировать из него реальные данные. То есть неизвестен ground truth для большинства наборов данных. Поэтому возникает дилемма: использовать (полу-) синтетические данные с известным ground truth или пытаться обходиться без ground truth, но тестировать на реальных данных. В своей работе я попробовал реализовать два подхода к тестированию.

Первый из них — оценка правдоподобия графа:

Здесь — множество родителей вершины , — совместная информация величин и , а — энтропия величины . На самом деле второе слагаемое не зависит от структуры графа, поэтому считают, как правило, только первое. Но можно заметить, что правдоподобие не убывает от добавления новых рёбер — это необходимо учитывать при сравнении.

Важно понимать, что такая оценка работает только для сравнения байесовских сетей (выхода алгоритма PC), потому что в настоящих PAG (выход алгоритмов FCI, FCI+) у двойных рёбер совсем иная семантика.

Поэтому я сравнил ориентацию рёбер моим алгоритмом и классическим PC:

Модифицированная ориентация рёбер позволила значительно увеличить правдоподобие по сравнению с классическим алгоритмом. Но теперь важно сравнить количество рёбер:

Их стало даже меньше — это ожидаемо. Так что даже с меньшим числом рёбер удаётся восстанавливать более правдоподобную структуру графа! Здесь вы можете возразить, что правдоподобие не убывает с увеличением количества рёбер. Дело в том, что полученный граф в общем случае — это не подграф графа, полученного классическим PC-алгоритмом. Двойные рёбра могут появиться вместо одиночных, а одиночные — изменить направление. Так что никакого рукомашества!

Сравниваем модели — 2: используем подход из классификации

Перейдём ко второму способу сравнения. Будем строить PC-алгоритмом каузальный граф и выбирать из него случайный ациклический граф. После этого сгенерируем данные в каждой вершине как линейную комбинацию значений в родительских вершинах с коэффициентами

с добавлением гауссова шума. Идею для такой генерации я взял из статьи «Towards Robust and Versatile Causal Discovery for Business Applications» (Borboudakis et al., 2016). Вершины, которые не имеют родителей, генерировались из нормального распределения — с параметрами, как в наборе данных для соответствующей вершины.

Когда данные получены, применяем к ним алгоритмы, которые хотим оценить. При этом у нас уже есть истинный каузальный граф. Осталось только понять, как сравнивать полученные графы с истинным. В «Robust reconstruction of causal graphical models based on conditional 2-point and 3-point information» (Affeldt et al., 2015) предложили использовать терминологию классификации. Будем считать, что проведённое ребро — это Positive-класс, а непроведённое — Negative. Тогда True Positive () — это когда мы провели то же ребро, что и в истинном каузальном графе, а False Positive () — если провели ребро, которого в истинном каузальном графе нет. Оценивать эти величины будем с точки зрения скелета.

Чтобы учитывать направления, введём для рёбер, которые выведены верно, но с неправильно выбранным направлением. После этого будем считать так:

Затем можно считать

-меру как для скелета, так и с учётом ориентации (очевидно, в этом случае она будет не выше такой меры для скелета). Однако в случае PC-алгоритма двойное ребро добавляет к

только

, а не

, потому что одно из реальных рёбер всё-таки выведено (без Causal Sufficiency это было бы неверно).

Наконец, сравним алгоритмы:

Первые два графика — это сравнение скелетов PC-алгоритма: классического и с новой ориентацией рёбер. Они нужны, чтобы показывать верхнюю границу -меры. Вторые два — сравнение этих алгоритмов с учётом ориентации. Как видим, выигрыша нет.

Сравниваем модели — 3: выключаем Causal Sufficiency

Теперь «закроем» некоторые переменные в истинном графе и в синтетических данных после генерации. Так мы «выключим» Causal Sufficiency. Но сравнивать результаты надо будет уже не с истинным графом, а с полученным следующим образом:

  • рёбра от родителей скрытой вершины будем проводить к её детям,
  • всех детей скрытой вершины соединим двойным ребром.

Сравнивать уже будем алгоритмы FCI+ (с модифицированной ориентацией рёбер и с классической):

И теперь, когда Causal Sufficiency не выполняется, результат новой ориентации становится значительно лучше.

Появилось ещё одно важное наблюдение — алгоритмы PC и FCI строят на практике почти одинаковые скелеты. Поэтому я сравнил их выход с той ориентацией рёбер, которую предложил в своей работе.

Получилось, что алгоритмы практически не отличаются по качеству. При этом PC — шаг алгоритма построения скелета внутри FCI. Таким образом, использование алгоритма PC с ориентацией, как в FCI-алгоритме, — хорошее решение, чтобы увеличить скорость вывода связей.

Вывод

Сформулирую кратко, о чём мы поговорили в этой статье:

  1. Как задача вывода каузальных связей может возникнуть в крупной IT-компании.
  2. Что такое ложные корреляции и как они могут мешать Feature Selection.
  3. Какие алгоритмы вывода связей существуют и используются наиболее часто.
  4. Какие трудности могут возникать при выводе каузальных графов.
  5. Что такое сравнение каузальных графов и как с этим бороться.

Если вас заинтересовала тема вывода каузальных связей, загляните и в другую мою статью — в ней больше теории. Там я подробно пишу о базовых терминах, которые используются в выводе связей, а также о том, как работают классические алгоритмы и предложенная мной ориентация рёбер.

Определение причинно-следственных связей и их представление в виде стратегической карты

Определение причинно-следственных связей и их представление в виде стратегической карты

Одним из основных элементов ССП является определение и документирование причинно-следственных взаимосвязей между отдельными стратегическими целями. Устанавливаемые причинно-следственные связи отражают наличие зависимостей между отдельными целями. При формировании данных зависимостей неявные связи между целями проявляются и становятся понятными менеджерам. А само вырисовывание причинно следственных зависимостей позволяет найти оптимальные пути реализации стратегии. Стратегические цели не являются независимыми и оторванными друг от друга, а наоборот, они тесно друг с другом связаны и влияют друг на друга. Для отражения причинно-следственных цепочек между стратегическими целями Каплан и Нортон используют термин «стратегические карты», а саму разработку причинно-следственной цепочки целей называют одним из самых сложных этапов процесса построения ССП.


При построении причинно-следственной цепочки необходимо учитывать основное правило ее построения, которое состоит в отсутствии необходимости изображения всех возможных связей между целями. Нечитабельное и слишком сложное изображение многочисленных связей теряет свой смысл с точки зрения управляемости. Попытка изобразить все мыслимые причинно-следственные связи означает необходимость построения слишком сложных и неуправляемых матриц. Но данные матрицы не смогут помочь в донесении стратегии сотрудникам, ни при осуществлении процесса управления. Лучшие же результаты будут получены тогда, когда на карте целей будут изображены только стратегически значимые причинно-следственные связи. Тем самым предпринимается попытка повысить информативность, сконцентрировать внимание на ключевых аспектах деятельности и обеспечение прозрачности стратегии.


Например, подразделение повышает уровень своего сервиса, чтобы тем самым достичь цели «повышение привязанности клиентов к компании». Однако от цели «повысить уровень сервиса» исходит только одна стрелочка, так как повышение качества обслуживания сначала способствует повышению удовлетворенности клиентов, а лишь затем – повышению привязанности клиентов к компании.


В процессе формирования причинно следственных цепочек взаимосвязей необходимо понимать, что не существует «правильных» причинно-следственных связей. Как только мы покидаем финансовые цели, то многие причинно-следственные зависимости уже невозможно установить математическим способом. Например, насколько лучший имидж компании приведет к росту доходов. Если мы улучшим имидж в 2 раза — во сколько возрастут доходы? Насколько повышение уровня удовлетворенности сотрудников может повысить готовность клиентов приобретать товары компании?


Все из перечисленных причинно-следственных связей могут быть изучены с помощью корреляции, но лишь некоторые из них научно могут быть обоснованы и измерены количественно. Сами причинно-следственные связи являются индивидуальными для каждой компании и являются инструментом управления, при помощи которого менеджеры могут проверить свои предположения и сделать соответствующие выводы. Предположения же строятся на базе накопленного в компании опыта. Причинно следственные связи в ССП только тогда будут «правильными», когда они стали результатом консенсуса между менеджерами и позволяют построить целостную систему целей компании. Построение причинно-следственных связей между целями помогает менеджерам представить свои сделанные допущения наглядными и проверить наличие корреляции между отдельными целями. Поэтому рассмотренные методы не ставят во главу угла точность, которую, в силу названных причин, достичь просто невозможно.


Важно, чтобы все сотрудники компании обсуждали связи стратегической карты. Чем прочнее конкретная связь, тем в большей мере руководство должно уделять внимание опережающему индикатору. Когда руководители стараются управлять опережающими индикаторами, оно имеет больше шансов повлиять на последующий результат. Управление опережающими индикаторами означает, что они рассматриваются на равне с последующими результатами, если даже важнее. Например, желательно чтобы премирование было привязано в большей степени к опережающим индикаторам, чем к последующим результатам. Точно также в процессе планирования опережающим индикаторам должно уделяться значительное внимание при постановке целей и планировании инвестиций и бюджетов.


Особенно важно проводить «разбор полетов» по индикаторам, которые не достигли своих целей. То есть, необходимо выделять зоны, требующие особого внимания – «центры внимания», на обсуждение которых руководство должно затратить определенное время, чтобы выработать идеи о том, как улучшить ситуацию.


Безусловно, чтобы стать настоящей системой управления Карты показателей должны использоваться в качестве повестки дня ежемесячных собраний для руководства компании. Также к ежемесячному собранию готовятся наиболее важные ключевые индикаторы, которые измеряются на постоянной основе и немедленно сообщаются по всей компании. Например, «своевременная доставка» является важным показателем, результат по которому может постоянно изображаться на внутренних мониторах компании. Желательно также отслеживать графическое представление динамики показателей по подразделению за прошлые года, а также в сравнении с целью, и в сравнении с лучшими подразделениями компании.


Помимо отчетов по достижению показателей в ежемесячном докладе должны содержаться пункты о том, что необходимо предпринять для исправления ситуации. На очередном собрании необходимо оценить, что произошло с момента последнего собрания. Когда установленные задачи выполнены — они вычеркиваются из списка. Список задач должен содержать лишь те пункты, по которым ведется работа. Предложения по улучшению, генерируемые на основе карты показателей, фокусируются на определенной перспективе или на определенном показателе. По каждому предпринятому мероприятию необходимо производить оценку. Это важная характеристика обучающейся компании – учиться на собственном опыте и отражать это в последующей деятельности. Если действие предпринимаются с определенной целью — важно проверить, привели ли они к достижению намеченных результатов.


Взаимосвязи между действиями и результатами, определенные на основе опыта компании очень важны при прогнозировании, но при условии четкого определения целей компании в стратегических картах. Речь идет о взаимосвязях, которые определены с той или иной степенью определенности. Если компания имеет четкое представление о характере взаимосвязи отдельных факторов, то она сможет моделировать будущие процессы. 

Документирование причинно-следственных связей между отдельными целями осуществляется, как правило, вместе с их разработкой во время «стратегической сессии». Если их не документировать сразу, то потом бывает очень трудно вспомнить все мысли, которые возникали у участников команды по этому поводу. Также вырисовывание причинно-следственной цепочки предполагает нумерацию целей в зависимости, от какой проекции выписывается причинно-следственная цепочка. В том случае, если цепочка причинно-следственных связей вырисовывается громоздкой и малочитабельной, ее необходимо упростить для легкого понимания каждым сотрудником компании. Для того, чтобы эффективно использовать механизм причинно-следственных связей по донесению информации, нам нужно как графическое изображение данных связей, так и краткое сопроводительное описание данной стратегической карты.
Как нам создать стратегическую карту компании?


Как уже отмечалось, сначала мы должны разработать показатели деятельности, а потом составлять карту причинно-следственных связей.


Предположим, что мы располагаем показателями для каждой из четырех составляющих. Но при разработке карты стратегии может выясниться, что некоторые из выбранных нами показателей не вписываются в описание стратегии. Данные показатели, возможно, понадобятся для Систем показателей нижних уровней, которые будут создаваться при каскадировании. Либо такие показатели могут служить операционными или диагностическими показателями и отслеживаться вне ССП. При составлении карты стратегии, для обеспечения логической последовательности могут потребоваться совершенно новые показатели. В этом заключается истинная ценность процесса составления причинно-следственных связей, так как он заставляет тщательно изучить и подобрать показатели, отражающие точное описание стратегии компании. Правильно составленная ССП должна содержать комплекс основных итоговых показателей (запаздывающих) и факторов деятельности (опережающих индикаторов), приводящих к улучшению результатов по этим параметрам.


Формирование причинно-следственных связей необходимо начинать в каждой из четырех составляющих с запаздывающих индикаторов деятельности. Ориентация этих показателей на результат легко позволяет их объединить в логическую последовательность, начиная с финансовых показателей, переходя к клиентским показателям, после к показателям процессов и в конечном итоге к показателям обучения и развития. После создания логической цепочки запаздывающих показателей во всех четырех составляющих, для каждого из показателей мы будем продумывать опережающие показатели деятельности. Опережающие показатели могут не быть логически связаны со всеми четырьмя составляющими ССП. Это связано с тем, что они являются узкоспециализированными для итоговых показателей. Хотя опережающие показатели (факторы деятельности) могут казаться несвязанными или необъединенными одной темой, при изучении их в контексте всей ССП мы видим, что они являются мощным фактором, приводящим в действие весь механизм ССП.


Например, мы выбрали стратегию предоставления комплексного решения клиентам. Исходя из такой стратегической направленности — компания предлагает клиентам не передовые продукты и не лучшую операционную деятельность, потому, что конкурентным преимуществом является комплексное решение для клиентов. А это, соответственно, потребует глубокого знания потребностей клиентов.
В финансовой составляющей компании, например, необходим рост доходов. Рост доходов не возможен без увеличения количества лояльных к компании клиентов и перекрестных продаж. Соответственно, лояльность клиентов может быть определена в качестве запаздывающего индикатора деятельности. Что будет являться фактором повышения лояльности клиентов? Так как мы избрали в качестве стратегического направления тесную связь с клиентом, а соответственно, для достижения успеха компании необходимо предоставить комплексное решение для клиентов. Для разработки комплексных решений вам необходимо как можно больше знать о трудностях и потребностях клиентов, конкурентную среду. Выполнение этой задачи потребует от компании большего присутствия у клиентов, общения с ними для выявления их потребностей. Поэтому компании необходимо данную цель измерять показателем «количество часов, проведенных с клиентами с целью выявления потребностей и запросов».


Следующим этапом после выбора финансовых и клиентских показателей является выбор показателей для внутренних бизнес-процессов, которые необходимо довести до совершенства, чтобы оправдать ожидания клиентов. В соответствии с предложением покупательной ценностью для клиентов мы можем определить знания потребностей клиентов в качестве основополагающего фактора их лояльности. Соответственно, количество разработанных клиентских решений является запаздывающим индикатором внутренних процессов. Мы понимаем, что сама по себе база клиентских решений не появиться. Если такая база решений должна стать основой лояльности клиентов, то у сотрудников необходимо создать мотивацию ее использовать. Основным фактором, способствующим генерированию клиентских решений, является обучение персонала в тех сферах компетенции, которые позволяют разрабатывать комплексные решения клиентов. Соответственно, запаздывающим индикатором обучения и развития будет «достижение компетентности». Результаты обучения это опережающий показатель обучения и развития.


Таким образом, создается карта стратегии, показывающая комплекс взаимосвязанных показателей по четырем составляющим ССП. Данная карта отражает самое обоснованное предположение о том, что необходимо для реализации своей стратегии. Она также послужит инструментом обеспечения единой направленности действий сотрудников для достижения общих целей компании.
Для того, чтобы максимально использовать информационный потенциал карты стратегии, необходимо описать сопроводительный рассказ, оживляющий карту стратегии в представлении сотрудников.


Источник:
Книга «Внедрение системы сбалансированных показателей: оценка деятельности компании»
Авторы: Немировский И., Старожукова И.
При использовании материалов статьи обязательна ссылка на сайт «Академия развития Лидеров» http://beleader.com.ua

Причинность в законе (Стэнфордская энциклопедия философии)

1. Введение

Казалось бы, главные интересы, которые оправдывают вход на причинно-следственная связь в законе в философской энциклопедии: понять какова концепция причинности в законе, если она существует; к посмотрите, как это понятие соотносится с понятием причинно-следственной связи. наука и в повседневной жизни; и изучить, какие причины существуют оправдание или объяснение любых различий, которые могут быть между две концепции причинности.Другие статьи в этой энциклопедии с природой причинно-следственной связи, как это отношение упоминается в науке и в повседневной жизни. Философский интерес к концепция причинно-следственной связи в законе в значительной степени носит сравнительный характер: как концепция права отличается, если вообще, от более общей концепции причинно-следственной связи, анализируемой в философии, и есть ли веские причины объясняя, почему есть такие различия?

Эти три вопроса — какова концепция закона причинно-следственная связь и как и почему она отличается от общего понятия причинно-следственная связь в науке и повседневной жизни — обманчиво просты в их появление.Тем не менее, описывая такое понятие, как причинно-следственная связь, как она есть используется в дискурсе, таком как закон, зависит от ряда переменные, проверка которых на раннем этапе уточнит вопросы позже преследовал в этой записи. Эти предварительные, поясняющие переменных четыре.

Первое: человеческий закон, в отличие от «естественного закона» морали, по своей сути ограниченна в том смысле, что человеческий закон варьируется от места к месту место. (Это происходит потому, что существование человеческого закона зависит от частично основаны на фактах институциональной истории, и эти факты отличаются от место на место.) Так возникает вопрос «чей закон?». большой в начале такого запроса. Ниже приводится описание причинно-следственная связь, как она используется в том, что в широком смысле можно назвать Англо-американская правовая традиция — правовая традиция Соединенных Штатов. Королевство, владения его Содружества и США. Несмотря на это признание несколько узкой направленности, есть тем не менее универсалистский смысл этого анализа. Это потому что есть сильное сходство в юридическом использовании причинно-следственной связи во всех существующих в настоящее время правовых системах, даже если одна не ограничивается для англоговорящих людей.

Во-вторых, даже когда мы ограничиваем наше внимание законом какого-либо юридического лица. традиции, в рамках этой традиции будут отдельные области права которые используют причинно-следственную связь в своих правилах ответственности, например, в областях договоров, правонарушений, имущественного, конституционного и уголовного права в англо-американская правовая традиция. Можно утверждать, что точный контуры (и, возможно, даже центральное понятие) причинности различаются между такими областями; например, можно предположить, что там существенное различие между понятием договорного права косвенные убытки после нарушения и уголовного законодательства понятие непосредственной причинной связи, необходимое для определения завершенного преступления (Мур 2009a: Приложение).Соответственно, чтобы избежать любых таких различия, которые могут существовать между областями права, в этой статье основное внимание уделяется то, что представители англо-американской правовой традиции считают преобладающее использование причинно-следственной связи в законе, которое заключается в назначении ответственность перед актерами, которые причиняют вреда другим. Области закона, если такое назначение причинной ответственности преобладает в праве преступлений и правонарушении. Вход соответственно сосредотачивается на этих двух областях права, потому что они являются центральными для англо-американской (и, вероятно, любой) правовой системы причинно-следственной связи.Они также являются областями права, в которых (безусловно) наибольшее внимание было уделено причинно-следственной связи как в праве, так и в юридических теория.

В-третьих, необходимо выделить положения закона , содержащие понятие причинности, из предложений о закон причинно-следственная связь. Нас интересуют предложения первого типа; в последние предложения являются гипотезами теоретиков (например, настоящего автора) о содержании предложений, которые обязывают юристы в рамках своей роли профессиональных юристов, i.е., закон . Но сам закон — это данные, из которых юридическое понятие, такое как причинно-следственная связь в законе, должно быть извлечено.

В-четвертых, выделение контуров такого понятия, как причинно-следственная связь, из основная часть дискурса, такая как закон, не является (просто) вопросом цитирования или перефразируя явные юридические определения этого понятия, независимо от того, как такие определения претендуют на авторитетность. Юридические определения причинно-следственная связь — это только начало анализа того, что «Причина» означает в законе.Также необходимы два других предмета. Один это неявная концепция причины , которую нужно отделить от обычаев концепции в нормах права. Сложные юридические концепции в том виде, в каком они используются в решенных случаях лишь в редких случаях полностью совпадает с официальные юридические определения (которые Роско Паунд [1910] называл, соответственно, «закон в действии» и «закон в книги »), даже если такие определения однозначно говорят в пользу какой-то конкретной концепции.

Другой необходимый дополнительный элемент — это цель или ценность, которую обслуживает правовые доктрины, использующие понятие причинно-следственной связи.Юридические концепции функциональные (иногда стилизованные, «интерпретирующие») концепции в что их значение определяется ценностями, которым они служат в доктринах в котором они появляются, поскольку это формируется лингвистическими (определение и использование) факты, упомянутые выше (Fuller 1958).

Таким образом, законная концепция причинности является продуктом трех факторов в сочетании:

  1. Явное определение причинно-следственной связи в авторитетных правовых тексты.
  2. Его неявное определение, извлеченное из совокупности употреблений концепции в правовых доктринах, составляющих свод права.
  3. Значение (я), обслуживаемое использованием концепции причинно-следственной связи в правовые доктрины, использующие это понятие.

В дополнение к этим трем факторам (помня об предостережении, третий пункт, сделанный ранее, различая положения закона от суждений о праве) существует теорий о том, что причинно-следственная связь означает или должна означать в законе. Такие теории были предложены теоретиками права, когда они излагают положения о законах. Такой теории, несмотря на их неавторитетный источник, сыграли важную роль роль в истории мысли о природе причинности в закон.Некоторые из таких теорий, если их содержание точно отражает положения закона, даже стали частью закона, они теории (Раз, 2012).

2. Явное определение причинно-следственной связи законом

2.1 Доминирующее двухуровневое определение причинности в законе

Расхожее мнение о требовании причинно-следственной связи в обоих уголовное право и правонарушения состоит в том, что на самом деле он состоит из двух очень разные требования к ответственности. Первое требование — это требование «Дело в самом деле».Такое расхожее мнение гласит, что Требование «по факту» — единственное истинное причинно-следственная связь компонент двух требований закона (несмотря на тот факт, что оба они сформулированы в терминах причинности), потому что эта доктрина единственное, что соответствует любому научному или даже фактическому понятие причинно-следственной связи. Вызывает ли курение сигареты рак, наличие водорода или гелия, вызвавшего взрыв, являются фактическими вопросы, которые должны быть решены самой лучшей наукой, которую могут собрать суды, и они классифицируются как вопросы «по факту».К Напротив, оспаривается, что второе требование, требование «Ближайшая» или «законная» причина — это оценочное вопрос, который должен быть решен аргументами политики, или является ли он тоже дело причинного факта. Предположим, обвиняемый зарезает свою жертву ножом, которая затем умирает, потому что ее религиозные убеждения таковы, что она отказывается лечение, зная, что такой отказ убьет ее ( Регина против Блауэ ). Призвал ли такой ответчик (юридически) смерть? Доктрины непосредственной причины используются для разрешения таких вопросы, спорный вопрос, являются ли такие резолюции естественного факта или морального факта («политика»).

2.2 Доминирующее определение фактической причины

Те, кто принимает условное разделение причинно-следственной связи в законе на две части, а затем сформулируйте очень минималистское представление о первом требование, что «причина по факту». Этот минималист требование, безусловно, является доминирующим явным тестом на причину как правонарушения, так и уголовное право. Это « sine qua не », или тест« кроме ». Такой тест требует контрфактический вопрос: «но в отношении действий ответчика пострадала бы жертва так же, как она? Этот тест также иногда называется тестом необходимого состояния, потому что он требует действия ответчика были необходимы для потерпевшего вред.Привлекательность этого теста проистекает из этого факта. Тест кажется изолировать то, о чем мы, кажется, очень заботимся, объясняя событий и при оценке ответственности за них, а именно: акт ответчика имеет значение по сравнению с , каким был бы мир, если бы она не сделала то, что сделала? Поскольку мы увеличиваем моральную порицательность и юридическое наказание для актеров, которые вызывают плохих результатов (а не просто попробуйте), нам, по-видимому, следует заботиться о том, будет ли конкретный плохой результат все равно произошло бы, даже без подсудимого.

2.3 Доминирующее определение непосредственной причины

Не существует равнозначного четкого, четкого определения юридического или ближайшего причина. На общем уровне общего определения наиболее одно получает бромиды: непосредственная причина не может быть удалено от его предполагаемого действия; это должен быть прямой вызвать эффекта; он не должен включать таких аномалия причинного пути, которая является причудливой ; Это не может быть вреда, который был непредвиденным актеру; это связь с причинением вреда не может быть случайной ; это должно сделать вред более вероятен; и др.Эти бромиды часто произносятся как если бы они были синонимами, что на самом деле раскрытые дела показывают, что они не.

3. Данные, из которых должно быть извлечено неявное понятие юридической причины: пятнадцать юридических фактов о причинной ответственности в англо-американском деликтном и уголовном праве

К только что упомянутым определениям мы должны добавить факты использования о как «причинно-следственная связь» используется для решения проблем, которые возникают в частных случаях. Это позволяет сравнивать явные юридические определения причинно-следственной связи, которые у нас есть только что исследованы с концепцией причинно-следственной связи неявно в решенные дела.Это также позволяет философам сравнивать свои любимые решения различных причинных загадок с решениями тех те же загадки людей, у которых нет философских осей, которые нужно разгадывать, но чьи рассуждения несут с собой последствия в реальном мире, т. е. судьи. (Как сказал Дж. Л. Остин (1957), философы могут учиться у юристов по таким вопросам, как причинно-следственная связь, как юристы из философов.) со значительной избирательностью, некоторым упрощением и небольшая претензия на полноту, пятнадцать фактов выбраны ниже как существенное значение в юридическом употреблении понятия причинно-следственной связи.

1. В случае действий, а не бездействия, обычно (но не всегда — см. обсуждение действия сверхдетерминации ниже. случаев), если вред не зависел от действия ответчика, то ответчик не несет ответственности за это вред, потому что он, как утверждается, не причинил его (Американский юридический институт 1962 г.).

2. Если действия ответчика не увеличивают вероятность причинение некоторого вреда, и особенно если это действие уменьшает такие вероятности, то ответчик не несет ответственности за причиненный вред, поскольку он не считается его причиной, даже если причинение вреда контрфактически зависел от действий ответчика ( Oxendine v.Состояние ).

3. Что касается ответственности за упущения, обычно нет ответственность за бездействие по предотвращению причинения вреда даже в тех случаях, когда является контрфактической зависимостью возникновения этого вреда от этого упущение; но иногда (статус, обязательство и причинение опасности исключения) существует такая ответственность (при условии, что наступление вред на самом деле зависит от такого упущения; Дресслер 1995: 466–467).

4. Относительно ответственности за «двойные предупреждения» (где, например, обвиняемый препятствует тому, чтобы спасатель помешал другой от утопления), обычно есть предположительно причинно-следственная ответственность за непредвиденный вред в таких случаях, потому что ответчик предотвращение предотвращения какого-либо вреда с помощью превентора рассматривается как причина этого вреда.Однако иногда (для двойных предупреждений, составляющих «допущения» в понимании многовековых делающие / допускающие различение) двойные предупреждения рассматриваются так же, как упущения, так что нет никаких юридических причин и ответственности, кроме для этих исключительных обстоятельств (статус, обязательство и возникновение исключений риска), которые существуют для ответственности за бездействие (Мур 2009a: 61–65, 459–460).

5. В случаях повышающих вероятность действий, бездействия и двойные превентивные действия, иногда и непоследовательно по-прежнему не несет ответственности за вред, который предположительно зависит от таких действия, бездействие и двойные предупреждения, если такой вред также не контрфактически зависят от этого аспекта этих действий и т. д., что сделал обвиняемого виновным.

6. Существует сложная структура ответственности по множественным делам. влекущие за собой действия: во-первых, по обычным параллельным причинам, связанным с разнообразием садов случаев (два или более факторов необходимы индивидуально и только совместно достаточное для некоторого вреда), обычно существует ответственность, даже если Действия ответчика — лишь один из многих причинных факторов, вызывающих вред и такая ответственность является полной («солидарной») индивидуальная ответственность виновных в совместном деликтном правонарушении и соучастники в уголовном праве.Во-вторых, в симметричном сверхдетерминированное разнообразие случаев одновременных причин (когда два или более факторов индивидуально достаточны и необходимы только совместно для некоторый вред), существует универсальная ответственность, если действия каждого из двух или более виновных обвиняемых достаточно независимо (и, таким образом, не требуется индивидуально) за вред, и почти всегда ответственность, если достаточное условие, альтернативное действия ответчика не являются действиями другого агента-человека, а являются природное событие или состояние, например лавина.В-третьих, есть также ответственность в смешанных случаях («смешанная» между случаи сверхдетерминации и одновременной есть три или более факторов, любых двух из которых достаточно для вред, означающий, что для причинения этого вреда индивидуально не требуется никаких факторов; Джонсон 2016). В-четвертых, существует также ответственность за асимметричный случаи сверхдетерминации одновременных причин, это те случаи, когда один фактор достаточен, а другие факторы не являются индивидуальными необходимого или индивидуально достаточного, такая ответственность единообразно налагается на большую причину (достаточный фактор) и неравномерно и непоследовательно навязывается по мелким причинам ( недостаточные и ненужные факторы; Wright 1985b).В-пятых, в упреждающее множество случаев с множественными причинами (когда достаточно одного фактор препятствует действию другого столь же достаточного фактора. в этом случае) ответственность за упреждение достаточного фактор, но нет ответственности за упреждаемую достаточную фактор.

7. Существует также сложная структура ответственности за вред в нескольких вызывать дела, связанные с упущениями, которые отличаются от действия, даже если мы ограничиваем наш взгляд случаями упущения, когда — это юридическая обязанность каждого оммиттера не упускать для предотвращения этого вреда: Во-первых, каждый оппонент несет ответственность за обычные, садовые, случаи одновременного упущения, как и в случаях с несколькими причинами предполагающие действия, а не бездействие.Во-вторых, преимущественно (но не универсально) нет ответственности за сверхдетерминацию множество одновременных пропусков — это универсально верно там, где одним из отсутствий, достаточных для причинения вреда, является естественный, а не человеческий, и это преимущественно верно там, где все индивидуально достаточные для причинения вреда отлучки бездействие виновных людей (Fisher 1992). В-третьих, есть нет случаев упреждающего упущения, потому что такие дела концептуально невозможно, и поэтому любые вопросы об ответственности здесь спорные (Мур 2011b: 479–482; 2013: 342–348).

8. Существует также сложная структура ответственности за вред в нескольких вызывать случаи, связанные с двойными предупреждениями, а не действиями или упущения, и этот образец ответственности снова отличается от это в случае действий или бездействия: во-первых, есть ответственность в обычные, садовые, одновременные случаи двойной профилактики, а также есть за действия и бездействие. Во-вторых, преобладает (но не всегда) нет ответственность за сверхдетерминацию множество одновременных двойных предупреждений — это повсеместно верно, если одно из двойных превентивных действий, достаточных для причинение вреда является естественным событием, а не виновным человеком действия, и это преимущественно верно там, где все вдвойне профилактические действиями, достаточными для причинения вреда, являются действия виновные люди-актеры (Moore 2009a: 466–467).В-третьих, в отличие от случаев бездействия, есть такое понятие, как упреждающее двойное случай профилактики; в таких случаях существует ответственность за упреждение двойное предотвращение, но не для упреждающих действий, которые в противном случае это была двойная профилактика (Moore 2011b).

9. Ответственность существует за вред, причиненный ответчиком, даже если такой вреда не произошло бы, если бы не причудливо жертва ненормальное состояние до тех пор, пока это состояние существовало до действия ответчика (это «Человек с тонким черепом» или «вы воспринимаете свою жертву, как вы найди его »изречение).

10. Тем не менее, не существует ответственности за вред, частично причиненный ответчиком, если этот вред был частично причинен чудовищно крупным природным явлением что вмешалось между действиями ответчика и ущербом, который он частично вызвало (« против » часть доктрина «заменяющей причины» общего права; Ларремор 1909).

11. Нет ответственности за вред, причиненный «совпадением». (определяется как причудливо необычное сочетание событий), хотя такого вреда не произошло бы, если бы ответчик не преступное действие, пока это совпадение не используется ответчик как средство причинения вреда (другая часть доктрина «заменяющей причины» общего права; Харт & Оноре 1959, 1985).

12. Намерение предполагает, что действие афродизиака распространяется на законных основаниях. соответствующее причинное влияние на то, что в противном случае было бы юридически удаленным событиях (принцип «не причинить вреда, если и задумано») общее право; Терри 1914: 17).

13. Под вмешательством человека-субъекта ветвь общего права заменяя доктрину причины, нет никакой ответственности, если последующий человек-субъект (а не естественное событие) вмешивается, чтобы «сломать причинная цепочка », существующая иначе (из-за контрфактических зависимость) между причинением вреда и более ранним действием ответчика, где этот вмешивающийся актер:

  1. Действует после действий ответчика и, таким образом, не является соучастник вреда.
  2. Совершает действие, имеющее причинно-следственную связь с вред.
  3. Действует независимо от мотивов, указанных в ответчик.
  4. Действует с большой виновностью в причинении вреда (обычно намеренно или иногда по неосторожности, но не просто по неосторожности, в отношении вреда).
  5. Действует добровольно в узком техническом смысле закона, а именно, соответствующие телесные движения не являются рефлексивными, выполняются пока спит, без сознания, в шоке, под гипнозом или иным образом не продукт воли ответчика.
  6. Действует добровольно в том смысле, что его не принуждают угрозы, по естественной необходимости или по закону.
  7. Ответственный агент (не очень молодой, сумасшедший или очень пьяный).

14. Набор доктрин, предполагающих скалярность причинной связи. поскольку это отношение используется в законе (moore 2009a: 65–76, 118–123):

  1. Использование «силы причинной связи» как одного фактор (вместе со степенью вины) при распределении ответственности в дела по множественным причинам в делах о правонарушениях, что особенно важно в строгих случаи ответственности, когда ответственность не зависит от вины (Закон США Институт 2010: сек.6).
  2. Кажущаяся зависимость от степени причинного вклада в лицензионное использование средств защиты от зла ​​в случаях пособничества или других лиц, чтобы причинить вред, а также в случаях перенаправления силы.
  3. Загадочное использование чего-то вроде степени причинного вклада лицензировать баланс защиты зла в случаях ускорения (случаи, когда ответчик просто ускоряет нанесение ущерба, который должен был все равно случится.
  4. «Исчезновение» степеней причинного вклада в случаях простой пространственно-временной удаленности.

15. Отсутствие ответственности в случаях причудливого маршрута, даже когда ущерб контрфактически зависит от действий подсудимых, в том числе от обоих случаи, когда маршрут необычный по сравнению с планы или ожидания ответчика, а также случаи, когда маршрут странно для стороннего наблюдателя.

4. Значение (я), служащее причинным требованиям Закона о деликтах и ​​преступлениях

Есть две причины заботиться об обосновании закона использование причинно-следственной связи в доктринах ответственности деликтного и уголовного права.Менее актуальным здесь является мотив правового реформатора, который состоит в том, чтобы оценить лучший тест на причинно-следственную связь и рекомендовать такой тест должен быть законодательно закреплен за для будущего легального использования. В во-вторых, и здесь более актуальным мотивом является то, что адвокат мотив, который заключается в понимании того, что требуется для установления причинно-следственной связи в настоящее время — это согласно действующему законодательству. Как было показано в секция 1, то, что закон предусматривает по данной теме, например причинно-следственной связи, частично формируется функцией, которую такое требование выполняет в совокупности закон, и такая функция, таким образом, составляет третий ингредиент, который нам нужен чтобы консультироваться, когда мы реконструируем концепцию причинности в законе.

Как юристы, так и теоретики права имеют неудачную склонность к провозглашая, что закон есть, должен и должен быть, автономный из других дисциплин (например, философии) в своем использование такого понятия, как причинно-следственная связь (Stapleton 2008; 2015). Как сэр Фредерик Поллак сказал более века назад: «юрист не может позволить себе приключиться с философами в логических и метафизических противоречиях, которые окружают идею причина »(1901: 36). Однако существует ли такая концептуальная автономия? желательно, необходимо или даже возможно, предполагает, что закон целей для причинных требований, которые не совпадают с метафизика причинности так изучается философией.

Как мы увидим ниже в раздел 5.2, экономисты-юристы и другие утилитаристы считают, что правовые нормы привлечение к ответственности тех, кто причиняет вред, имеют в качестве обоснование предотвращения неоптимальных уровней такого вреда; они делают это стимулирование будущего поведения за счет возложения ответственности (или награды) за прошлое поведение. С такой точки зрения причинно-следственная связь в законе может означает нечто иное, чем при использовании в обычных или научный дискурс — чтобы получить побудительный эффект от правила причинно-следственной ответственности, можно было бы хорошо идентифицировать «Причина» с повышением условной вероятности, так как экономисты-юристы действительно часто призывали.

Однако альтернативный взгляд на юридические цели возвращает закон в метафизика причинности. Согласно этой точке зрения, уголовное право служит ценность карательного правосудия так же, как деликтное право служит ценности исправительное правосудие. Карательное правосудие требует, чтобы те, кто виновно причинить вред терпят порицание и лишения наказания; исправительное правосудие требует, чтобы те, кто виновен причинить вред другому исправить эту несправедливость, компенсируя это Другие. В обоих случаях отправление такого рода правосудия требует, чтобы , а не , определяют «причину», как используется в юридической ответственности правила как что-либо иное, кроме того, с которым он идентифицирован в таких теории справедливости.Потому что такие моральные теории справедливости требуют, чтобы истинная метафизика причинности определяет, когда кто-то причинил телесные повреждения или другой вред другому, так же как и закон о деликтах и ​​преступлениях. С такой альтернативной точки зрения обоснование причинно-следственных требований в праве о правонарушениях и преступлениях, адвокат, таким образом, должен «приключиться с философ »по метафизике причинности. Те, кто так сами приключения не будут рассматривать всех кандидатов в концепция причинно-следственной связи в законе с равным успехом.

Каким должен быть закон причинно-следственной связи , чтобы быть законом , если он должен служить значение (я), составляющее функцию правил, в которых причинно-следственная связь появляется, таким образом, имеет большое значение для закона причинно-следственная связь — это . По мере того, как мы переходим к описанию того, что концепция причинно-следственной связи заключается в том, что мы должны быть эклектичными в отношении того, что эти ценности находятся. Таким образом, мы будем считать неурегулированным то, что большинство теоретиков считает урегулирован (не то чтобы они пришли к соглашению по поводу , как урегулирован ), и рассматривать вещи не только с точки зрения тех, кто думает, что уголовное право и правонарушения служат целям возмездия и исправления справедливости, но и с точки зрения тех, кто думает, что эти области права служат другим ценностям (как утилитарным, так и другим), или даже никакого связного набора ценностей.

5. Объединение этих трех источников в понятие причинно-следственной связи в Законе

Как следует сочетать эти три ингредиента — явное юридические определения причинно-следственной связи, понятие, подразумеваемое в юридических обычаях «причинно-следственной связи», и ценность (я), служащих, требуя, чтобы причинно-следственная связь должна присутствовать до того, как кто-то будет нести ответственность за некоторые вред — это спорный вопрос, который теоретики права уже давно не согласен. Дальнейшее обсуждение не пытается подавить эти разногласия.Таким образом, описаны различные уплотнения и для каждого возникают некоторые проблемы.

5.1 Разнообразие причинно-следственных связей в законе

Предполагаемое преобладание теста sine qua non в законе поверхностный. Реальность такова, что этот тест изменен / отменен в различные способы судов, которые якобы его применяют. В лучший способ понять различные модифицированные тесты для определения причины в закон путем изучения проблем, которые были подняты для контрфактический тест, поскольку именно эти проблемы мотивируют Фактически, альтернативные проверки причины.

5.1.1 Проблемы для контрфактической проверки фактической причины

В целом, существует четыре типа проблем с контрфактический тест на фактическую причинно-следственную связь, о котором говорится в правовом литература. Первая из этих проблем связана с доказательством и свидетельство. Фактически причинно-следственная связь как элемент дела prima facie должно быть доказано стороной, несущей бремя доказывания. В уголовном дела, то есть обвинение, которое должно доказать сверх разумных сомневаюсь, что произошло бы без действий ответчика.Противоречия по своей природе трудно доказать с какой-либо степенью уверенности, поскольку они требуют, чтобы специалист по установлению фактов размышлял о том, что могло бы произошли, если ответчик не сделал то, что она на самом деле делал. Предположим, обвиняемый виновно уничтожает спасательный круг на морской буксир. Когда член экипажа падает за борт и тонет, был необходимое условие его смерти деяние подсудимого в уничтожить спасательный круг? ( New York Central RR. V. Гримстад ). Если бы спасательный круг был там, был бы кто-нибудь подумали использовать его? бросил вовремя? забросил это достаточно далеко? подобрал его достаточно близко к жертве, чтобы он дошел до него? Мы часто не хватает точной информации, которая могла бы подтвердить, виновный поступок ответчика имел какое-либо значение.

Второй набор проблем проистекает из неопределенности смысла в тест, а не из-за трудностей фактической проверки. Есть отличный расплывчатость в контрфактических суждениях. Неопределенность заключается в с указанием возможного мира, в котором мы должны протестировать контрфактический (Cole 1964a, b; Lewis 1973b). Предположим, что подсудимый по неосторожности уничтожил спасательный круг, и матрос утонул из-за отсутствия одного. Когда мы говорим: «Но за действия обвиняемого уничтожить спасательный круг », какой мир мы себе представляем? Мы знаем, что должны устранить действия обвиняемого, но что мы заменить на? Спасательный круг, который, в качестве альтернативы, был разрушены бурными волнами? Ответчик, который не уничтожил спасательный круг, потому что она уже вытолкнула жертву за борт когда рядом никого не было, чтобы бросить спасательный круг жертве? И так далее, и так далее.Чтобы сделать контрфактический тест определенным достаточно, чтобы дать один ответ, а не другой, мы должны предположить, что те, кто применяет этот тест, имеют возможность указать некоторые определенные возможный мир, который «похож» на наш реальный мир, за исключением что в этом мире подсудимая не делала того, что она делала на самом деле Мир.

Третий и четвертый группы проблем проистекают из неспособности контрфактический тест, чтобы соответствовать тому, что для большинства из нас (включая судей) твердые причинные интуиции. Третий комплекс проблем возникает из-за того, что контрфактический тест кажется слишком мягким в том, что он считает причина.Критика заключается в том, что тест, таким образом, является чрезмерно исчерпывающим. В четвертый набор проблем возникает из-за того, что контрфактический тест кажется слишком строгие в том, что считается причиной. Критика здесь заключается в том, что тест недостаточно информативен.

Чрезмерный охват теста в основном повышается в случаях совпадение. Предположим, что обвиняемый по вине задерживает свой поезд в т 1 ; намного, намного позже на t 2 , и гораздо дальше по рельсам поезд попадает под наводнение ( Denny v.New York Central RR ). Была задержка на т 1 нет произошел, не было бы никакого ущерба или гибели людей на т 2 . В этом случае контрфактический тест дает нежелательный результат, когда задержка ответчика причинила вред. Такие случаи явного совпадения редки, но это верхушка айсберг здесь, в бесчисленных удаленных условиях, необходимых для постановка любого мероприятия. Кислород в воздухе над Англией, древесина в Шотландия, ожирение Генриха VIII и сэра Фрэнсиса Дрейка. проницательности, вероятно, были необходимы для поражения Англии испанская армада; но нам не следует говорить, что каждый из этих была причиной того поражения.Проблема сильно усугубляется признание пропусков как причин: испанская армада также потерпела поражение потому что марсианские космические корабли не пришли им на помощь.

Четвертый набор проблем для контрфактического теста связан с недостаточная инклюзивность теста, в основном проявляющаяся в теории права в хорошо известных случаях переопределения. Это случаи, когда каждое из пары двух событий, c 1 и c 2 , независимо достаточно для некоторого третьего события и .Логично, что достаточность c 1 и c 2 влечет за собой, что ни c 1 , ни c 2 индивидуально необходим для e , и, таким образом, на контрфактическом анализе причинно-следственной связи, ни один из них не может быть причина e . Закон однозначно отвергает этот вывод. (однако многие философы, такие как Дэвид Льюис, утверждали, неуверенность в собственной интуиции относительно причинно-следственной связи такие случаи), поэтому такие случаи представляют реальную проблему для контрфактических анализ причинно-следственной связи в праве.

Теоретики права давно различают два различных типа случаи сверхдетерминации. Первые — это случаи с одновременным возникновением: два пожаров, двух выстрелов из дробовика, двух шумных мотоциклов достаточно чтобы сжечь, убить или напугать какую-нибудь жертву. Ответчик несет ответственность за только один огонь, выстрел или мотоцикл. Но его огонь, выстрел или шум присоединяются другой, и оба одновременно причиняют различный вред. На контрфактический анализ, огонь, выстрел или выстрел обвиняемого шум не был причиной какого-либо вреда, потому что не было необходимости причинение вреда — в конце концов, другой огонь, выстрел или шум был сам по себе достаточным .Но то же самое можно сказать о втором пожаре, выстреле или шуме. Так что на тесте, кроме была причина! И этот вывод казался нелепым юридическим лица, принимающие решения.

Случаи сверхдетерминации упреждающего вида различаются. Здесь две предполагаемые причины не одновременны, но упорядочены во времени. Огонь подсудимого приходит первым и сжигает здание жертвы; второй пожар появляется вскоре после этого и было бы достаточно, чтобы сжечь здание, только там не было никакого здания, чтобы сгореть.Здесь наша интуиция так же ясна, как и в параллельных случаях сверхдетерминации, но эти интуиции здесь иное: пожар подсудимого причинил вред, и второго огня не было. Однако контрфактический анализ снова дает контринтуитивное предположение, что ни один пожар не причинил вреда, потому что ни один огонь не был необходим (каждый был достаточным) для причинения вреда.

Довольно удачно расположенный между этими двумя видами сверхдетерминации. случаи — это то, что было названо асимметричной сверхдетерминацией случаи (Мур 2009a: 417–18).Предположим, что один подсудимый несмертен наносит удар жертве одновременно с другим обвиняемым, смертельно опасным наносит удар той же жертве; жертва умирает от потери крови, большая часть кровь хлынула из смертельной раны. Имеет несмертельные ранения ответчик стал причиной смерти потерпевшего? Не согласно контрфактический анализ: учитывая достаточность смертного, бессмертная рана не была необходима и, следовательно, не была причиной смерть. Этот вывод противоречит общепринятой интуиции, а также значительный (но не универсальный) юридический авторитет ( People v.Льюис ).

5.1.2 Модификации / отмены контрфактического теста

Защитники контрфактического анализа «Фактическая причина» не лишена ответов на эти четыре возражений, но вместо того, чтобы заниматься этим дальше, мы перейдем к обсудить другие тесты, которые были заменены контрфактическими test в попытке избежать этих четырех проблем. Что касается проблема, связанная со случаями переопределения, наиболее известными альтернативой является предложение «INUS» (Недостаточно, но Необходимый элемент теста «Ненужный, но достаточный набор» (Маки 1980) или «NESS» (необходимый элемент достаточного набора) тест (Wright 1985b; 2013): событие c вызывает событие e тогда и только тогда, когда c является необходимым элементом в наборе условий достаточно для e , где сам набор не требуется для и .Именно нагрузка на достаточность в этих тестах должен положить конец проблемам сверхдетерминации. в случаи одновременной причины — два достаточных огня соединяются, чтобы гореть дом жертвы — каждый пожар считается необходимым элемент собственного достаточного набора, поэтому каждый пожар является причиной. в упреждающий случай — пожары не сливаются, и один приходит первым прежде, чем второй сможет добраться до места, чтобы сделать свою работу — первый огонь необходимый элемент достаточного набора, и причина — также; в второго огня нет, потому что он не считается частью набора, который достаточно на момент разрушения (в его наборе нет наличие дома для сжигания).

Были приняты и другие модификации контрфактического теста. во избежание проблем с тестом, существующим из-за случаи сверхдетерминации. Один из них — «мелкозернистый эффект »комментария к Типовому уголовному кодексу. На этот тест, никто не спрашивает, является ли вред определенного типа произошло бы, если бы не действия ответчика; скорее, один спрашивает, будет ли причинен конкретный ущерб, нанесенный на самом деле произошли в точности так, как это произошло, в отсутствие акт ответчика.Таким образом, в случае одновременной причины двух самостоятельно достаточное количество пожаров, которые соединяются, чтобы сжечь дотла дом жертвы, не спрашиваем,

Был ли огонь ответчика необходим для уничтожения дом истца?

Скорее, мы спрашиваем,

Был ли акт ответчика необходим для уничтожения дом жертвы, где, когда и в каком виде уничтожен?

Гораздо более вероятно, что ответчик подстрелил номер необходимо для разрушения дома жертвы всего за способом, которым он был уничтожен, поэтому контрфактический тест, кажется, работает лучше в одновременные случаи сверхдетерминации с этой мелкой детерминацией эффектный подход.

Для случаев превентивного переопределения проблема проще для контрфактический тест. Здесь вводится оговорка о время события: если действие ответчика было необходимо для разрушение дома произошло раньше, чем это могло бы быть в противном случае, тогда он был причиной, но если его действие было необходимо только для дома разрушение происходит в то или иное время (в том числе позже), его действие не обязательно причина. Как показывают дела, причины должны ускоряют их эффекты; если им не удастся их ускорить (либо без изменения временного местоположения, либо путем замедления их), то такие факторы не являются причинами, даже если они необходимы, когда предполагаемый эффект произошел ( Oxendine v.Состояние ). Это помогает со случаями первопричины, потому что необходим упреждающий пожар к разрушению дома по t 1 , даже если (учитывая, что сразу за ним упреждающий огонь на т 2 ) что первый пожар не нужен ни для того, чтобы потом разрушить дом (при т 2 ) или к разрушению дома когда-нибудь ( т 1 или т 2 ). Это условие относительно асимметричной во времени необходимости следует рассматривать как третья модификация контрфактической проверки закона.

Возражение совпадения против контрфактической проверки дает четвертый модификация этого теста. В таких случаях, как небрежное ускоряющийся поезд, который из-за своей скорости прибывает как раз в то место там, где падает падающее дерево ( Берри против округа Сахар Notch ), не следует спрашивать: «Но за вождение попал бы в поезд? » Скорее следует изолировать тот аспект деяния, который сделал его небрежным — поспешность, не сам акт — и спросите, был ли этот аспект необходим для поезд был сбит.И, возможно, езда с превышением скорости ограничение («превышение скорости») не было необходимо для удара, потому что любая скорость как выше, так и ниже предельной скорости не привело бы к удар по поезду. Другими словами, в ускорении не было необходимости, только точная скорость, с которой фактически ехал водитель. Спрашивая после необходимость качеств таких действий, как превышение скорости, называется «Аспектная причина» версия контрфактического теста (Китон 1963; Wright 1985b).

Фактически, пятая модификация контрфактической проверки причины: скорее заменой, чем поправкой.Это Первый и Второе заявление о правонарушениях «существенный фактор» тестовое задание. Мотивированные в основном опасениями по поводу случаев сверхдетерминации, Американский юридический институт в первых двух документах Пересмотр призвал заменить критерий «существенного фактора» sine qua non как тест на правонарушение. Тест спрашивает только, было ли действие ответчика существенным фактором при производстве обжалуемого вреда. Это, по общему признанию, циркулярное и нечеткий тест, как полагали, помогает в случаях сверхдетерминации, таких как то из совместных пожаров, потому что, пока каждый огонь был достаточно существенный (по сравнению с другим пожаром) каждый был причиной вреда, хотя ни один пожар не был необходимым условием вред.

Обратите внимание, что проверка существенного фактора «решает» проблема сверхдетерминации в основном потому, что в ней недостаточно сказано, чтобы получить в таких случаях попадает в неприятности. Таким образом, это позволяет нам ясно понять причинно-следственные связи. в этих случаях интуиция действует на полную катушку. ad hoc характер это решение очевидно, если посмотреть, как Первый и Второй Пересмотр правонарушений удалось спасти все, что они могли тест sine qua non : если предполагаемый причинный фактор необходимое условие некоторого вреда, тогда (при Пересмотр ) это само по себе существенное.Необходимо иными словами, достаточно по причине по факту. Но необходимое условие — вытяжка не нужна по причине на самом деле, так что фактор может быть существенным, даже если он не необходимое условие. Это означает, что следует использовать необходимое условие проверки, когда он работает, но когда он дает противоречивые результаты (как в случаях сверхдетерминации) один не следует использовать это, но вместо этого следует полагаться на причинную интуицию которые не основаны на контрфактических отношениях.Столько признается в недавнее возрождение примитивизма двух утверждений о причинно-следственной связи, согласно которой человек явно направлен на поиск либо контрфактическая зависимость вреда, либо «фактическая вклад »в этот вред (Stapleton 2015).

Шестая и последняя модификация контрфактической проверки причины фактически мотивировано проблемой доказательства. Особенно в криминальном случаев (когда необходимо доказать причинно-следственную связь «сверх разумного сомневаюсь ») часто невозможно доказать, что вред не произошли, но по вине ответчика.Какие суды действуют принять — это подход «упущенного шанса» к контрфактам. На этот модифицированный тест, никто не спрашивает, был ли акт необходим для фактически причиненный вред; скорее, можно спросить только, был ли акт необходимо для причинения вреда, имеющего шанс того, что он нанес (Льюис 1986). Это «необходимо на случай (причинения вреда)» своего рода тест, а не тест «необходимо причинить вред» (Johnson 2005).

Чем на самом деле занимались суды и теоретики права в «Изменение» контрфактического теста этими шестью способами — это предлагать совершенно разные теории о природе причинной связи.В Например, тесты INUS и NESS на самом деле являются номинальной достаточностью тесты, версия универсальной теории причинно-следственная связь, которая сводит единичные причинные отношения к общей причинной связи. законов и существенно не использует контрафакты (за исключением поскольку контрфакты являются частью анализа идеи научный закон.) Другой пример: на самом деле законная версия примитивистского подхода к сингулярная причинность, версия сингулярных теорий причинности в метафизика.Необходимая случайная модификация находится в в действительности замена вероятностной теории причинности чисто контрфактическая теория. Таким образом, ошибочно думать, что точное определение причины в законе — sine qua не — фактически свидетельствует о глубоких или недвусмысленных обязательствах закон теории причинно-следственной связи, которая в своем природа (как, например, Lewis 1973a).

5.2 Скептические подходы к требованию причинности

В теории права, как и в философии, были свои скептики в отношении причинно-следственная связь.По большей части такой законно обоснованный скептицизм был направлен по непосредственной причине — половина общепринятого определения, состоящего из двух частей. причинно-следственная связь в законе. Как мы вскоре увидим, такой скептицизм там считает «ближайшая причина » неправильным употреблением и переосмысливает требование непосредственной причины в непричинной политике термины. Здесь рассматривается более радикальный скептицизм. Некоторые юридические теоретики скептически относятся к естественной связи между мир, названный «причинно-следственной связью». Этот скептицизм включает в себя то, что закон называет «фактическую причину», а также «ближайшую причина».

Прежде чем описывать такой скептицизм в отношении теории права, нам следует конечно, мы твердо понимаем, что такое скептицизм по поводу причинно-следственной связи. Брать Дэвид Хьюм, которого часто называют скептиком в отношении причинно-следственной связи. Юм классно идентифицировал единичные причинно-следственные связи как пространственно-временные примеров причинных законов, и он определил причинные законы как не более чем единообразие в последовательности между типами событий. Таким образом, Юм был вдвойне редукционист в отношении причинно-следственной связи, сокращая ее в конечном итоге к регулярному согласованию.В этом его обычно называют скептик.

Поскольку анализ Юма снимает «клей» с причинная связь — причина не делает своим следствием происходят, только регулярно следует за этим эффектом — это обычно классифицируется как скептически настроенный. И в каком-то смысле это так, если лечить «клей», необходимый для любого отношение собственно называют «причинным». Но взгляды Юма недостаточно радикальны, чтобы считаться скептическими в том смысле, в каком теоретики права.Ибо Юм дает то, что Саул Крипке называет «Скептическое решение» проблемы причинно-следственной связи (1982: 66–68): Юм не отрицает существования причинно-следственной связи, но он сводит его к чему-то менее онтологически странному, чем «клей».

Лучшей моделью радикального скептицизма, рассматриваемой здесь, является «Аскриптивистские» взгляды, которых когда-то придерживался Герберт Харт (но позже отвергнут). В известном анализе нашего использования причинного глаголы действия, такие как « A hit B », Hart призвал, чтобы мы описали без естественных отношений (например, A вызвал контакт с телом B ), но скорее мы возлагаем ответственность на A за контакт на корпусе B .(Харт 1949) Если этот фрагмент речи до Остина подействует анализа были верны, затем причинные (и, аналогично, более явные слова причинно-следственной связи) были бы только ярлыками, используемыми для выражения выводы об ответственности. Такие слова не назовешь настоящими отношения, которые могут служить оправданием для отнесения ответственность перед кем-то.

Таковы выводы рассматриваемых здесь юридических скептиков. Такой скептики, похоже, отрицают, что причинно-следственная связь существует как любой вид естественного отношение, будь то «клейкое» естественное отношение, регулярное совпадение в природе или что-то еще.Потому что проще всего подходя к такому скептицизму исторически, я начну с плохого названы американскими правовыми реалистами (плохо названы, потому что ни в коем случае не они реалисты в философском смысле), с которыми почти все также возникли скептицизмы по поводу непосредственной причинной связи.

5.2.1 Скептицизм по поводу причинно-следственной связи американских юристов-реалистов

В большинстве цитируемых работ Генри Эдгертона подробно описывается его скептицизм. о непосредственной причинной связи. Некоторые из них, однако, показывают, что он скептически относился к требованию причинно-следственной связи.Он отмечает, например, что симметрично совпадающие случаи сверхдетерминации были разделены на два лагеря доктринами причинности его времени: где было два виновных лиц, устроили поджоги (где пожары соединились, чтобы произвести больший огонь, сжигающий дом истца), любой из сторон явился причиной разрушения; но когда только один из пожаров имел виновное происхождение, другой либо естественного, либо невинного происхождения человека, то виновный актер не был причиной разрушения.На таких примерах Эджертон предположил, что требование фактической причины (как и ближайший причина требования) все вопрос политики, то есть в зависимости от «нашего свободного и независимого чувства справедливости и — возможно — интересы общества ».

Позднее проявление этого вывода юристов-реалистов было хорошо известным работа Wex Malone (1956). Мэлоун в основном сосредоточился на проблеме, которая чем занимались философы причинно-следственной связи 1950-х годов: прагматический особенности, по которым мы выбираем « причина » некоторых событие (Файнберг 1970: 143–147).Малоун обнаружил, что неудивительно, только контекстно-зависимые, практические интересы, определяющие такие формулировки причинных подчеркнув, и скептически заключил, что это все, что нужно было сама причинность. Говорят, что это «причина» некоторых вред был просто еще одним способом сказать, что кто-то несет ответственность за вред.

5.2.2 Скептицизм критических теоретиков права по поводу причинно-следственной связи

Скептицизм американского правового реализма имел два интеллектуальных потомки в теории права. Один из них состоит из самопровозглашенных «Критические» теоретики — критические юридические исследования движение (или «Критс»), расцвет которого пришелся на 1970-е годы и 1980-е годы в Америке.Большая часть скептицизма этого движения просто разогретый постмодернизм, который во многих дисциплины помимо закона (Мур 1989). Интеллектуально интереснее были критические замечания, основанные не на постмодернистских банальностях, а были специфичны для причинно-следственной связи.

Скептицизм Марка Кельмана был именно такого рода. Кельман призвал что все причинные требования в законе были частью «Либеральный миф» об объективных критериях ответственности, но вместо того, чтобы повторять (в очередной раз) банальность исторически сложившейся знающий, Кельман фактически привел аргументы против обоснования закона, аргументы, отрицающие, что такие проверки отразил что-либо в естественных фактах.Кельман точно понял, что вариант NESS теории контрфактов оказался неэффективным версии этого, и он представил некоторые из критических замечаний этого вариации, которые преследовали и другие, не являющиеся причинными скептиками. Из-за предполагаемой неудачи этого единственного варианта контрфактического теории причины на самом деле, Кельман пришел к выводу, что причина на самом деле сама не может быть на самом деле (Kelman 1987).

Общий положительный рецепт, который должен вытекать из скептицизм юридических реалистов и критиков не так очевиден.Один собирает этот некогда скептицизм (о причинно-следственной связи объективный факт) снял шоры, мы видим, что это только интересы и политика, которые приводят нас к выводам о моральных ответственность и юридическая ответственность. Можно предположить, что положительные рецепт для нас — делать это открыто, уравновешивая все соответствующие соображения политики при принятии решения о том, кто должен нести ответственность, а затем формулировка этих выводов об ответственности с точки зрения того, что послужило причиной какие.

5.2.3 Скептицизм экономистов-юристов по поводу причинно-следственной связи

Другой интеллектуальный потомок американских юридических реалистов на причинно-следственная связь — это движение права и экономики в современной правовой теория.Эти теоретики стремятся показать, что правовые нормы и учреждения либо являются, либо должны быть эффективными , в пост-Парето смысл этого слова, отличительный от современного благосостояния экономика.

Как и Криты, экономисты-юристы обычно радикально скептически относятся к причинно-следственная связь. Все ведущие ранние работы по причинно-следственной связи выражают скептицизм по поводу «причинности», выбирая любую реальную связь в мире. С этой скептической точки зрения юристы просто интуитивно экономики или какой-либо другой политики, уравновешивающей использование причинно-следственных связей. идиомы, потому что это все, что может делать .Шавелл (1980), а Ландес и Познер (1983) явно полагаются на Эдгертона, точно подбирая то место, где Эджертон начал свой скептицизм, в правила ответственности за симметрично совпадающие сверхдетерминации случаи.

Как и другие скептики по поводу причинно-следственной связи, экономисты-юристы не останавливаются на достигнутом. содержание в их демифологизации метафизики причинности. Такой экономисты также более позитивно оценивают то, из чего следует обусловленные причинно-следственной связью требования об ответственности. В позитивные, реконструктивные предписания закона и экономики теоретики отличаются от критиков и юридических реалистов в политика, которой отдается предпочтение, гораздо более конкретна: ответственность (включая предположительно причинно-следственные требования к ответственности) должны давать стимулы к эффективному поведению.Однако незамеченным экономистами было что эта монистическая политика, ориентированная на эффективность, сделала их причиной скептицизм излишний и несущественный в их рекомендациях о том, что должно означать «причина» в законе.

Это связано с тем, что если эффективность является нормативным показателем для обоих деликтов, и уголовного права, то есть основания для отрицания релевантности от метафизики причинности к интерпретации юридических обычаев «Причина», не зависящая от какого-либо скептицизма по этому поводу метафизика.Такая основа начинается с совершенно правильного понимания, что юридические тексты следует толковать в свете целей (ценностей, функции, «дух», «озорство» и т. д.) такие тексты обслуживать. Часто такие цели оправдывают переводчик при проведении юридическое значение термина должно сильно отличаться от его обычного значение на нелегальном английском. Так ли это в случае законное использование слова «причина» зависит от того, что считать цель тех юридических текстов, в которых используется слово «причина». Рассмотреть возможность Американский деликтный закон.. Следуя теории благосостояния А. К. Пигу (1920) какое-то время было модно думать, что цель правила ответственности в деликтном праве заключались в том, чтобы заставить каждое предприятие или деятельность внутри экономики, чтобы оплатить «истинную цену». Эти затраты включают ущерб, причиненный другим в результате деятельности, в той мере, в какой они включены традиционные статьи затрат производства, такие как труд, сырье материалы и капитал. Мысль заключалась в том, что только если каждое предприятие заплатил бы свою истинную стоимость, если бы товары или услуги, произведенные этим предприятие будет правильно оценено, и только если такая правильная цена произошло бы, если бы рынки достигли эффективного распределения ресурсов.Это стало известно как «ответственность предприятия» в теория деликтного права Америки 1950-х (Calabresi 1961).

Если бы целью деликтного закона было эффективное распределение ресурсов, и если бы такая эффективность могла быть достигнута только обнаружение «истинной стоимости» каждого вида деятельности, когда такие затраты определяются с точки зрения вредного воздействия этой деятельности, тогда слово «причина», используемое в правилах об ответственности за гражданское правонарушение, должно означать что бы ни говорила нам метафизика причинности, это слово означает. На эта теория — вредные эффекты, которые действительно вызывает деятельность это истинные затраты на эту деятельность; и это обоснование таким образом требует устойчивого использования некоторого метафизического взгляда на причинно-следственную связь.

Этот пигувианский взгляд на деликтное право уступил место взглядам после 1960 г. Рональд Коуз: деликтное право действительно существует для достижения эффективного распределения ресурсов, но такая эффективность будет достигнута, если деликтная ответственность отслеживает причинную ответственность или нет. Coase’s существенное понимание заключалось в том, что для экономически рациональных субъектов возможность затраты также являются реальными затратами, так что упущенная возможность принять оплата вместо причинения другому человеку вреда уже заставляет причинитель вреда, чтобы «усвоить» все издержки своей деятельности.Такой причинитель вреда не должен нести ответственности за такой вред, чтобы иметь он оплачивает «истинную цену» своей деятельности; он уже «Платит», отказываясь от возможности быть выкупленным пострадавший от вреда. Поскольку каждый причинитель вреда и пострадавший решает желаемый уровень своей активности, он примет во внимание все последствия его взаимодействия без причинно-следственной деликтной ответственности вынуждая его сделать это (Coase 1960).

В этом анализе деликтного права Коузаном просто нет необходимости в обязательство включить причинно-следственную связь.Скорее, любая деликтная ответственность не имеет отношения к эффективному распределению ресурсов (в мире транзакционные издержки), или деликтная ответственность должна быть возложена на самые дешевые избегающий затрат (в мире, где транзакционные издержки высоки), чтобы побудить этого человека принять рентабельные меры предосторожности. В любом случае юридическая ответственность не должна отслеживать причинную ответственность, даже если когда есть высокие транзакционные издержки, причинитель вреда не должен быть самый дешевый способ избежать такого ущерба.

Несоответствие причинно-следственной связи предоставлению эффективных стимулов имеет левые экономисты изо всех сил пытаются понять причину на самом деле требование уголовного законодательства и правил ответственности за нарушение закона.Поскольку нет метафизическое прочтение «причины» соответствует цели эффективности, некоторые политические расчеты приводятся в качестве юридического значения «причина». Такой политический расчет обычно порождает вероятностная интерпретация «причины», так что любое деятельность, повышающая условную вероятность некоторого вреда, нанесшего произошедшее, как говорят, «причинило» этот вред (Калабрези 1975). Для любой теории, стремящейся использовать закон для стимулирования эффективное поведение в мире высоких транзакционных издержек, это Вероятностная интерпретация, по-видимому, как раз то, что требуется.К критиковать такое вероятностное толкование юридической причины обосновать, что вероятность является плохим метафизическим объяснением того, что причинно-следственная связь (Wright 1985a, 1987), таким образом, будет рядом с точка — до тех пор, пока человек придерживается мнения экономистов утилитарные взгляды на собственное функционирование концепции причинно-следственная связь в законе.

5.3 Разнообразие критериев непосредственной причины в законе

Это было полезно для систематизации семи вариантов контрфактический тест, чтобы показать, как такие вариации были произведены в ответ на проблемы, которые, как считается, существуют для первого варианта, который был простым, неизменным контрфактическим тестом.Пока нет теста непосредственной причинно-следственной связи, которая является сравнительно доминирующей в законе (даже если только на словах) к контрфактической проверке причины на самом деле, это тем не менее, полезно отображать различные тесты на ближайшую причину в виде они реагируют на проблемы в других тестах непосредственной причинности. Некоторые обсуждение стандартных задач с каждой версией тестов в рамках юридическая теория, таким образом, включена, поскольку мы описываем, что мотивирует других тесты.

Основной принцип систематизации здесь — разделение тестов, которые не рассматривать непосредственную причинность как имеющую отношение к реальной причинной связи отношения (общепринятый взгляд в теории права) из тестов, которые мотивированы противоположной мыслью.Начнем с первого своего рода тест, который следует называть ориентированной на политику непосредственной причиной тесты. Проверки ближайших причин, основанные на политике, сами по себе разделены на два лагеря. Некоторые — общие тесты политики — оправдано тем, что они обслуживают широкий спектр полисов, действительно, поскольку широки, как и политики, которые оправдывают ответственность за правонарушения или уголовное право. Напротив, другие тесты обслуживают только один политика: измерение виновности актера с точки зрения психическое состояние, которое у нее было или должно было быть, когда она действовала.

Начиная с общих основанных на политике тестов на ближайшую причину: Первая из них — это то, что мы можем назвать « специальной политикой . тесты ». Идея состоит в том, что суды уравновешивают ряд политик в каждое дело, которое они рассматривают, когда обвиняемый был признан причинили фактически запрещенный законом вред. Они могут уравновесить определенные «социальные интересы», такие как необходимость сдерживания, с определенными «индивидуальными интересами», такими как несправедливость о привлечении ответчика к ответственности (Edgerton 1924).Суды тогда решить, куда приведет такой баланс. Какое бы решение ни было принято такая индивидуальная балансировка политики затем приводится в виде «Непосредственная» или «законная» причина. Такие ярлыки бывают просто выводы баланса политики; ярлыки не к чему делать с причинно-следственной связью в любом обычном или научном смысле (зеленый 1929 г.).

Второй вид теста здесь — это тот, который принимает общие правила юридической причинно-следственная связь. Такие правила принимаются также по разным политическим причинам. не имеющий ничего общего с причинно-следственной связью, но такие правила отличаются от ad hoc , отказавшись от индивидуальной балансировки; скорее, это правила per se правовой причинно-следственной связи, которые приняты по политическим причинам.Таким образом, по общему праву правило убийства было то, что смерть должна наступить в течение года и дня вредные действия ответчика, иначе нельзя было бы сказать, что он юридически повлек за собой смерть. Аналогично, последнее правило правонарушителя обоих правонарушения и уголовное право постановили, что когда одна жертва оказывается смертельной ранен двумя или более нападавшими, действующими серийно с течением времени, а не согласованно, только последний нарушитель может считаться законным причина смерти. Третий пример — соблюдение деликтного права в течение некоторого времени. так называемое «правило первого дома», согласно которому железная дорога, по неосторожности испускавшей искры, сожгла весь город, была несет ответственность только за дом или дома, непосредственно воспламененные его искрами, не для других домов, загоревшихся от сожжения первых сожженных дома ( Ryan v.New York Central RR ). Нет никакого притворства проведение действительно причинно-следственных различий с помощью таких правил; скорее такие правила были приняты по явным причинам правовой политики. Первый дом например, было заявлено, что оправдывается политикой субсидирование тогда развивающейся железнодорожной отрасли путем ее защиты от ответственности, которая считалась потенциально разрушительной по своему степень.

Основная проблема как с ad hoc , так и с тестами политик на основе правил не лежит в основе их «функционалистского» подхода (Коэн 1935; 1937 г.).к юридическим понятиям, таким как причинно-следственная связь, поскольку мы всегда должны спросите о цели правила или учреждения, в котором цифры для выяснения его юридического значения. Но для всех, кто считает, что уголовное право и правонарушения имеют доминирующую, ориентированную на правосудие целей, открытость этих проверок политики будет дисквалифицирующий. Если карающее правосудие — это ценность, которую обслуживает преступник закон, и если такое правосудие требует, чтобы мы назначали наказание пропорционально причинно-следственной связи, то ближайший уголовный закон Тесты причин должны помочь определить, когда правонарушители действительно причиняют вред.Аналогичным образом, деликтный закон, использующий причинно-следственную связь для выделения лиц, причитающихся обязанности исправительного правосудия ограничат тех, кто несет такие обязанности компенсация тем, кто действительно причинил вред, за который компенсация испрашивается. С такой точки зрения деликтного права, ближайший причинно-следственная связь должна помочь отделить тех, кто действительно причинил вред от тех, у кого нет. Служить как карающим, так и исправительным справедливость, таким образом, последнее, что нужно делать, — это определять юридические причинно-следственная связь, так что этикетка называет баланс ценностей, а не фактическое положение дел (реальная причинность), определяющее моральное виновность.Явные тесты политики юридических реалистов анафема любой ориентированной на справедливость схеме наказания или компенсация.

Эта проблема не так очевидно заражает следующие два основанных на политике тесты на непосредственную причину, предсказуемость и степень риска в пределах риска тесты. Поскольку эти тесты действительно стремятся описать фактическое положение дел. что правдоподобно определяет как моральную виновность, так и связывает виновность ответчика в причинении особого вреда. Эти тесты таким образом обслуживая те виды политики, которым должна служить концепция причинно-следственной связи в ориентированных на правосудие теориях уголовного права и деликты.Их новизна заключается в перемещении того, как и где законно причинно-следственная связь определяет ошибку. По этим теориям «юридические причина »не является уточнением признанного определителя пустыни, истинная причинность; это скорее уточнение другого признанного определитель пустыни, преступное состояние ума.

Рассмотрим сначала хорошо известный тест на предсказуемость. В отличие от случая с тестами политики на основе правил, здесь нет множественности правила для конкретных ситуаций (например, затянувшиеся процессы смерти, вмешательство правонарушителей, железнодорожные пожары и т. д.). Скорее есть один правило, универсально применимое ко всем уголовным и деликтным делам: было ли это предсказуемо для ответчика в то время, когда она действовала, что ее действие причинило бы вред, который это действительно причинило? (Зеленый 1967). Этот якобы универсальный тест на юридическую причинно-следственную связь обычно оправдывается одна из двух политик: несправедливое наказание (или извлечение компенсация от) кого-либо за вред, который они не могли предвидеть, или невозможность получить какое-либо сдерживание путем применения санкций к таким субъектам (поскольку обычно считается угрозой применения деликтных или уголовно-правовых санкций быть несуществующим из-за непредвиденных нарушений ответственности правила).

Некоторые юрисдикции ограничивают тест на предсказуемость одним видом ситуация. Когда какое-то человеческое действие или природное событие вмешиваются между действия ответчика и ущерб, ограниченный тест спрашивает не то, был ли предвиден окончательный ущерб жертве, а скорее, было ли это промежуточное действие или событие предвидеть ответчик, когда он действовал. Этот ограниченный тест на предсказуемость похожи на ограниченные правила, которые мы видели раньше, и не похожи на универсальные проверка юридической причинности тест на предсказуемость обычно имеет целью быть.

Именно потому, что это тест на виновность, тест на предсказуемость становится объектом возражений на основе собственной политики. Возражение что избыточности. Почему мы должны спрашивать два виновность вопросы в определении виновности? После того, как мы удовлетворились мы считаем, что обвиняемый виновен — либо потому, что она умышленно или предвидела некоторый вред, или потому что она неразумно не предвидя некоторый вред, тест на предсказуемость предлагает нам спросить «Был ли вред предсказуем?» Это избыточно, потому что любой умышленный или прогнозируемый вред можно предвидеть, а любой вред — предвидеть достаточно, чтобы сделать актера неразумным за то, что он не предвидел этого, также предсказуемо.

Единственный способ избежать избыточности в тесте на предсказуемость — это переместить в сторону другой альтернативы — теста «вред в пределах риска». Что есть, закон мог бы сказать, что в ситуациях, когда ответчик виновны в намерении, предвидении или необоснованном риске причинения вреда тип H , но то, что фактически вызвало его действие, было случаем вреда типа J , следует спросить, был ли J предсказуемым, другой вопрос, чем тот, который был задан и ответил на mens rea (что было около H ).Конечно, H должен быть «близко» к J , чтобы быть виноватым с уважение к ущербу, за который взыскивают ответственность. Но это для выполнить работу по тесту «вред в пределах риска», который должен решить, что следует называть «проблемой подгонки» mens rea (соответствие фактически нанесенного вреда, J , предполагаемому ущербу, умышленно или под угрозой, H ; Мур 2011а). К тому же делать такую ​​работу плохо. Предсказуемость — это не тот вопрос, который нужно задавать, чтобы соответствовать вред, фактически причиненный ответчиком, в отношении вида вреда в отношении в чем она была виновата (либо потому, что намеревалась добиться, либо предвидела, что она вызовет, или необоснованно рискнула добиться такого вред).Если во избежание дублирования необходимо провести тест на предсказуемость. ограничившись этой неизбыточной работой, от нее лучше отказаться Тест «вред в пределах риска».

Итак, давайте рассмотрим этот четвертый, основанный на политике критерий ближайшей причины, ошибочно названный тест «вред в пределах риска». Нравиться тест на предсказуемость, этот тест претендует на то, чтобы быть тестом юридических дело, которое универсально применимо ко всем деликтным и уголовным делам. Этот тест тоже оправдан политическими соображениями и не претендует на имеют какое-либо отношение к фактическим или научным причинно-следственным связям.Доктринально, однако этот тест отличается от простого теста на предсказуемость.

Рассмотрим сначала арену, от которой тест получил свое название: от преступлений или правонарушений риск создания . Если ответчик обвиняется в совершении убийства по неосторожности (или неправомерной смерти в правонарушения), например, этот тест требует, чтобы смерть жертвы подвергаться риску, из-за которого действия актера были небрежны. Если оно по неосторожности уронил баллончик с нитроглицерином, потому что он может взорваться и убивает жертву, но вместо этого убивает его, порезав ему палец на ноге и заставив его истекать кровью до смерти, затем причиненный вред (кровотечение) не находился в пределах риска причинения вреда (взрыва), что сделало его небрежным брось банку (Американский юридический институт, 1934).Аналогично, если заряд непредумышленное убийство (для которого требуется осознание риска в в некоторых юрисдикциях), этот тест требует, чтобы смерть жертвы подвергаться риску, осознание которого сделало обвиняемым действие безрассудно.

Распространение этого теста на преступления или правонарушения, не создающие риска, требует некоторая модификация. За преступления или правонарушения, предусматривающие строгую ответственность, при отсутствии mens rea требуется, тест требует, чтобы вред, который случился один из видов вреда, риск которого законодатель запретить такое поведение.За правонарушения или преступления, требующие знания (или «общее намерение») для своих мужчин rea , тест спрашивает, был ли причинен ущерб вида вреда, предвидением которого ответчик нанес ей виновный. За правонарушения или преступления, требующие цели (или «конкретных intent ’) для их mens rea , в ходе теста задается вопрос, нанесенный ущерб был примером того типа ущерба, который предназначались ответчик, намерение которого сделало его виновным.

Что движет всеми этими вариациями соотношения «вред в пределах риска»? Тест заключается в следующем: при оценке виновных мужчин rea , всегда есть «проблема с посадкой».Предположим, ответчик намеревается ударить жертву палкой по лицу; предположим, что он намеревается нанести удар, чтобы выколотить левый глаз жертвы. Как это происходит, жертва внезапно поворачивается, когда ее бьют, и теряет правое ухо к удару. Является ли нанесенный вред (потеря правого уха) пример типа предполагаемого вреда (потеря левого глаза) — вот что называется проблемой подгонки. Специалисты по установлению фактов должны соответствовать психологическому состоянию ответчик должен был выяснить фактический результат, которого он добился, и спросить, является ли он достаточно близко, чтобы его можно было наказать за умышленное преступление, такое как погром.(Если это недостаточно близко, то он может быть признан виновным в некоторых меньший деликт или преступление в виде побоев или безрассудной угрозы.)

Существенное утверждение, лежащее в основе теста «вред в пределах риска», состоит в том, что «Юридическая причина» — это ярлык, который юристы должны поставить на проблему. виновности, проблема называется проблемой соответствия. Сторонники этого испытать призыв к тому, что правовая причина, правильно понятая, на самом деле мужских rea , а не доктрина причинно-следственной связи (Американский закон Институт 1985).

Основная проблема теста «вред в пределах риска» заключается не в каком-либо направлений, которые мы только что исследовали в отношении предсказуемости как тест.Тест «вред в пределах риска» предназначен для ориентированная на справедливость политика в поисках истинного решающего фактора пустыни (преступное психическое состояние), и он не задает лишних вопросов. К степень виновности ментальных состояний намерения, предвидения и риск, мы должны сопоставить нанесенный вред с предполагаемым типом вреда, предвидеться или подвергаться необоснованному риску. Настоящие вопросы к Тест «вред в пределах риска» — вот почему этот вопрос о виновности обозначена как проблема юридической причинно-следственной связи , и действительно ли это оценка по преступным психическим состояниям — это все, что происходит или должно происходить под рубрикой «юридическое дело».

Рассмотрим этот последний вопрос в свете двух хорошо известных видов юридических вызывать случаи. Это освященная веками максима уголовного и деликтного права, что «Вы берете свою жертву, как вы ее найдете». Стандарт перевод: независимо от того, насколько ненормальным может быть жертва восприимчивости к травмам, и независимо от того, насколько они непредсказуемы поэтому могут быть травмы, обвиняемый считается виновным в законном причинении таких травм. травмы. Ударьте пресловутого человека с тонким черепом, и вы по закону причиной его смерти, если он умрет, независимо от того, насколько редким может быть его состояние. быть.Это трудно согласовать с тестом «вред в пределах риска». А ответчик, который намеревается ударить или порезать, не обязательно (или даже обычно) собираются убить. Подсудимый, который предвидит, что его действия будут причинить жертве удар или порез, не обязательно (или даже обычно) предвидят, что жертва умрет. Ответчик, который по неосторожности риск того, что его действия приведут к удару или порезу жертвы, не обязательно (или даже обычно) небрежно, потому что рисковал смертью.

Случаи второго типа связаны с тем, что часто называют «Вмешивающиеся» или «заменяющие» причины.Предполагать обвиняемый устанавливает взрывчатку рядом со стеной тюрьмы, намереваясь взорвать стены и вывести некоторых сокамерников. Он предвидит практическое уверенность в том, что взрыв убьет охранника по ту сторону стена. Он зажигает запал бомбы и уходит. Как это происходит, предохранитель гаснет. Однако незнакомец проходит мимо стены, видит бомба и зажигает запал, чтобы получить удовольствие от взрыва; или, в качестве альтернативы, молния попадает в предохранитель, повторно зажигая его и устанавливая с бомбы.Когда охранник по ту сторону стены убит взрыва, стандартные доктрины промежуточной причинности утверждают, что юридически ответчик не причинил смерти охранника. Но это трудно сопоставить с результатом, который, казалось бы, должен быть получен при тест «вред в пределах риска». Ведь подсудимый не предвидеть только тип вреда, который был причинен? Потому что вопрос о вреде в пределах риска задает простой тип токена вопрос — был ли нанесенный конкретный ущерб случаем вид вреда, предвидение которого подсудимым причинило ему виновен — тест не учитывает причудливость причинно-следственной связи (Мур 2009a: гл.10).

Типовой уголовный кодекс Американского института права изменяет принятие теста «вред в пределах риска» в разделе 2.03 путем отрицания ответственность за вред в пределах риска, который «слишком мал или случайно в своем возникновении иметь [справедливое] отношение к ответственность исполнителя или тяжесть его правонарушения » (Американский юридический институт, 1962 год). Этот язык не задумывался как общий, автономный тест на непосредственную причинно-следственную связь, как это иногда бывает истолковано, чтобы быть (Dan-Cohen 1983). Скорее, язык дает квалификационное предостережение относительно более общего вреда в рамках теста на риск Типовой уголовный кодекс.Такое предостережение является явным признанием неспособность теста «вред в пределах риска» учесть проблемы обычно рассматриваются как проблемы с промежуточной причиной.

Такое признание не является достаточно широким, чтобы покрыть неадекватность подхода «вред в пределах риска». Основная проблема с тестом в том, что он игнорирует все вопросы, традиционно решаемые под понятием юридической причины. Тест слеп не только к причудливость причинно-следственных связей в промежуточных причинных ситуациях, слепой не только к различию между предшествующим и последующие аномалии, столь важные для разрешения человек с тонким черепом, но тест также игнорирует все эти вопросы удаленности стремились уловить сэр Фрэнсис Чеканка Бэкона «непосредственная причинная связь».Даже где в цепи причинно-следственной связи нет внезапного «разрыва», как в Случаи промежуточной причины, есть сильное ощущение, что причинно-следственная связь угасает в пространстве и времени. Цезарь переходит Рубикон вполне может быть необходимым условием для чтения этого эссе, но так много других событий также внесли свой вклад в то, что причинная ответственность давно иссякла. Логические отношения в суть теста «вред в пределах риска» — «был конкретный вред, который произошел, случай того вида вреда, который риск, предвидение или намерение, сделанное ответчиком виновен? »- неспособен уловить эту чувствительность к удаленность.Таким образом, тест «вред в пределах риска» не учитывает основной вопрос рассматривается по «юридической причине». В Тест «вред в пределах риска» задает вопрос, который хорошо подходит теории правонарушений и уголовного права, ориентированные на справедливость, но не в том месте и вместо других вопросов, требующих ответ за пустыню, которую нужно оценить.

Теперь перейдем от основанных на политике тестов на ближайшую причинность к эти тесты основаны на представлении о том, что непосредственная причинная связь, как и причина в Фактически, имеет отношение к реальным причинно-следственным связям в мире.Самый старый из эти тесты предложены монетами сэра Фрэнсиса Бэкона « causaxima » (1630: первая максима). Простой идея такого теста на удаленность заключается в том, что причинно-следственная связь является скалярной отношения — более или менее вид вещей, а не все или ничего что-то вроде того — и со временем это угасает.

Критика теста на удаленность, часто высказываемая в юридической литературе, заключается в том, что расстояние в пространстве и удаленность во времени не имеет отношения к степени причинного вклада. Примеры вроде человек. v.Боткин , где на большое расстояние разошлись отравленные леденцы (от Калифорния жертве в Нью-Джерси), или оставлена ​​неразорвавшаяся бомба похоронены на много лет, прежде чем взорваться и ранить жертву, выступил в поддержку критики. Судья Кардозо ответил, что такая критика, несомненно, противоречила сильному мнению сообщества, которое пространственно-временное расстояние имеет значение для степени причинного вклада ( Берд против Сент-Пол Ф. и Миннеаполис Инс. Ко .), Но можно было бы надеюсь, что можно было сделать лучше, чем это.Пространственно-временное расстояние возможно, исправный прокси для количества событий или состояний дела, посредством которых причина оказывает влияние на свои следствия, и количество событий может иметь отношение к степени причинной вклад. Это метафизический взгляд на то, что причинно-следственная связь «Утомляет» свои звенья, и таким образом отношение не является полностью транзитивным.

Второй и совершенно особый вид теста на непосредственную причину это тест на «прямую причину». Несмотря на название, этот тест не требует полного отсутствия каких-либо событие или положение дел, которое находится между причиной и ее следствием, чтобы причина была «прямой».Даже древний прямое / косвенное различие между исками о нарушении права владения и о нарушении права владения в делах о правонарушениях было столь строгим в своем требовании прямолинейность (для посягательства; Scott v. Shepard ). Напротив, цепей может быть достаточно прямого для проверки прямой причины хотя это довольно длинные цепи, простирающиеся на значительную пространство и время. Это только в том случае, если особого рода событие — «Вмешивающийся» (он же «заменяющий», «Посторонняя») причина — вмешивается в то, что цепочка недостаточно прямой.Таким образом, суть теста на прямую причину идея о том, что существуют эти промежуточные причины, разрывающие цепь.

Начиная с серии статей в 1950-х годах и заканчивая их массивная книга 1959 г., Причинность в законе , вторая выпуск 1985 года, Герберт Харт и Тони Оноре пытались описать идея вмешательства причинно-следственной связи, которую они видели в законе, принятом из повседневные причинные идиомы. Их концепцию легче всего увидеть в трех шаги. Во-первых, предположим некоторую версию контрфактического анализа: причина является, по крайней мере, необходимым условием для ее следствия, или, возможно, Состояние NESS (Оноре 1997).Во-вторых, причина не только в любое необходимое условие; скорее, из множества условия, необходимые для проведения любого мероприятия, всего два вида могут быть причинами, а не просто «предысторией» условия: «свободные, информированные, добровольные человеческие действия, и те аномальные сочетания природных явлений, которые мы в просторечии называем «Совпадения». В-третьих, такие добровольные действия человека и аномальные природные явления вызывают определенный эффект только в том случае, если другие добровольные действия человека или ненормальное природное событие не вмешиваются между первым таким событием и его предполагаемым эффектом.Такой выдающийся Другими словами, события — это разрывы причинно-следственных цепей. («Промежуточные причины»), поскольку они являются инициаторами причинно-следственные связи, поэтому, если они вмешиваются, они переводят все ранее события в статус простых фоновых условий.

Харт и Оноре опирались на значительную судебную поддержку их два кандидата на вмешательство (Carpenter 1932, 1940–43; Элдридж 1937). Действительно, можно утверждать, что основные различие между основной и сообщниковой ответственностью в уголовном праве во многом зависит от этой концептуализации причинно-следственной связи (Кадиш 1985), как и различие в деликтном праве между «в концертный »и« одновременный провоцирующий »виды совместной деликты.Тем не менее одно беспокойство по поводу такого взгляда на причинно-следственную связь вызывает что он неполный в отношении удаленности круга вопросов обычно рассматривается под рубрикой «юридическое дело» в закон. Причинно-следственная связь в законе постепенно исчезает по мере того, как нарушается внезапно выключается, и анализ прямой причины игнорирует это.

5.4 Единые (или «одноуровневые») подходы к причинно-следственной связи в законе

Проблемы с традиционным юридическим анализом причинно-следственная связь — в терминах деления на фактическую причину и непосредственная причинно-следственная связь — соблазнили некоторых теоретиков права отказаться от раздвоение причинности в законе и поиск единого понятие причинно-следственной связи является гораздо более разборчивым (в чем позволяет в качестве причины), чем безнадежно беспорядочные контрфактические причинно-следственная проверка традиционного анализа.Действительно, поиск для унитарной концепции причинности, которая настолько различается, что может выполнять работу, которую при обычном анализе выполняют оба доктрины фактической и непосредственной причины. Это далеко не очевидно эта причинность на самом деле является достаточно различающим отношением, которое он может проделать такую ​​большую работу по распределению ответственности. Тем не менее, В юридической литературе есть три таких предложения, каждое из которых некоторая доктринальная поддержка в законе.

Один из них мы уже видели в четвертом варианте контрфактического испытать причину на самом деле.Если не спросить, есть ли ответчик акт был необходим для возникновения вреда — если вместо этого и более разборчиво спросить, не аспект ее действия, повлекшего за собой халатность или иным образом виновный причинил вред — тогда можно провести тест на причинно-следственную связь почти так же различение как простой контрфактический тест в сочетании с Версия теста на непосредственную причину вреда в пределах риска (Keeton 1963; Wright 1985b). Это неудивительно, потому что оба теста неприемлемые какие-либо аспекты действий ответчика, которые , а не делают ее виновной.Для точки зрения аспектно-причинной связи такие не относящиеся к виновности аспекты действий подсудимого не являются (соответственно) причину вреда; для теста «вред в пределах риска», такие не относящиеся к виновности аспекты действий подсудимого делают не соответствуют преступному психическому состоянию подсудимого. Ставит ли кто-нибудь это как причинно-следственная связь (точка зрения аспекта-причины) или как виновность ( « вред в пределах риска »), различающая способность примерно равна тем же.

Второй единый взгляд на причинно-следственную связь в законе является старейшим из них. виды предложений.Он рассматривает причинность как метафизический примитивный. Причинность не сводится ни к чему другому или вещи, так что с помощью анализа мало что можно сказать об этом и так мало, что жюри должно быть сказано об этом (Смит 1911). Единственное, что мы можем сказать, это то, что причинно-следственная связь скалярное отношение, то есть вопрос степени. Одно может быть на больше причин одного события, чем другой вещи. Учитывая скалярность причинно-следственной связи, все, что нужно сделать закону, — это провести черту за ответственность где-то на шкале разметки степени причинности вклад.По вопросам, которые постоянно меняются, это заведомо произвольный выбор точной точки останова; где линия между средним и старым возрастом, рыжие и розовые, лысые и не лысые, или вызвано и не вызвано? Таким образом, этот подход выбирает соответственно нечеткая линия, ниже которой вклад в причинение определенного вреда будет проигнорирован для целей оценки обязанность. Пусть ответчик несет ответственность за некоторые вред только тогда, когда степень его причинного вклада в этот вред достигли примерно non de minimus , или «существенного», величина.Это первоначальный тест на «существенный фактор», как сформулировал Иеремия Смит в 1911 году. На распространенное возражение, что испытание мало что нам говорит, его защитники отвечают, что это добродетель, не порок, потому что о причинно-следственной связи мало что можно сказать. Нравиться жесткая порнография, причинно-следственная связь — это то, что мы можем «узнать, когда мы это видим »(слова Поттера Стюарта о порнографии в Jacobellis v. Ohio ), без общих определений и тесты (Borgo 1979).

Третье и последнее из этих унифицированных понятий причинно-следственной связи: физикалист в своих амбициях.Некоторые теоретики думали, что мы можем сказать больше о природе причинно-следственной связи, чем о том, что это скаляр и что его значительное количество требуется для обязанность. С этой третьей точки зрения природа причинности должна быть найдено в механистических концепциях физики: материя в движении, энергия, сила (Бил 1895, 1920; Эпштейн 1973). Этот тест похож с точки зрения субстанциального фактора в понимании причинной связи быть скалярным, но отличается редукционистскими амбициями: причинность не примитивно, но может быть сведено к какой-то физической процесс.

Эта точка зрения легко справляется со случаями переопределения, которые являются такими проблема для общепринятого анализа. Когда два огня соединяются, два пули бьют одновременно, два мотоцикла пугают одну и ту же лошадь, каждый является причиной вреда, потому что каждый выполняет свою физическую работу. Когда одна несмертельная рана наносится вместе с более крупной смертельной раной. рана и жертва умирает от потери крови, каждая из которых является причиной смерти потому что каждый выполнял некоторую физическую работу (потерю крови), что приводило к смерть ( People v.Льюис ).

Такая механистическая концепция причинности в основном предлагается в юридической литературы из-за неуловимых и, казалось бы, таинственных использование «энергии» и «силы» теоретиками права (Харт и Оноре 1959). Можно подозревать, что такая точка зрения часто применяется присяжными, но если теоретики не могут объяснить общий характер отношений, интуитивно применяемый присяжными заседателями, этот тест имеет тенденцию рушиться к метафизически более щадящему (потому что примитивист) существенный факторный тест.

5.5 Краткое изложение различных концепций причинно-следственной связи в законе

Как мы видели, англо-американский закон о деликтах и ​​преступлениях имеет ошеломляюще большое количество концепций правовой причинно-следственной связи. Показано ниже приводится обзор того, что было описано выше, организованный переменные, которые обсуждались ранее.

  1. Обычный раздвоенный тест: юридическая причинность определяется два различных компонента, фактическая причина и непосредственная причинная связь, с каждый компонент этого раздвоенного теста, имеющий оспариваемые значения:
    1. Фактические тесты
      1. Явно определенный контрфактический тест: ответчик действие должно быть необходимо для причинения вреда.
      2. Модифицированные контрфактические тесты, в которых действия ответчика должно быть:
        1. Необходимый элемент совокупности факторов, объединенных вместе достаточное для причинения вреда, когда совокупность факторов является самой не является необходимым для причинения вреда («INUS» и «НЕСС» тесты)
        2. Необходимо до мелочей во времени, месте и способе проведения возникновение эффекта
        3. Необходимо для ускорения (но не замедления) эффект
        4. Не требуется в том смысле, что наличие акт необходим, если этот аспект Действия ответчика, которые сделали этот акт виновным, необходимы
        5. «Существенный фактор» причинения вреда, где необходимость этого действия всегда является достаточным критерием причинный фактор является «существенным», но не является необходимый критерий
        6. Необходимо для увеличения шанса эффекта происходит (а не является необходимым для эффекта на самом деле происходит)
      3. Тесты для причинных скептиков: причина на самом деле как заключение политика, а не естественное отношение, существовавшее до закона
        1. Специальная балансировка всех политик (Критические правовые исследования и юристов)
        2. Политика, основанная на поощрении, и вероятностные тесты причинно-следственной связи (экономисты-юристы)
    2. Тесты на приблизительную причину
      1. Тесты на близкую «причинную связь», которые должны быть балансом политики
        1. Тесты, основанные на широком спектре политик
          1. Специальная балансировка политик в каждом случае, когда результирующая политический баланс соблюдается как вывод «ближайшего причинно-следственная связь »в этом случае
          2. Правила обоснованы балансировкой политик, например:
            • Правило года и дня
            • Правило первого дома
            • Правило последнего нарушителя
        2. Тесты, основанные на единой политике определения виновности (умственное состояние) актера
          1. Тест на предсказуемость: был ли ущерб предсказуемым для ответчика, как он действовал?
          2. Тест «Вред в пределах риска»: причиненный вред типа вреда, риск которого (либо намерение или предвидение что ответчик) сделал действия ответчика небрежными (или иначе виновный)?
      2. Тесты на непосредственную причинность как факт (около реальные причинно-следственные связи), а не вопрос политики
        1. Тесты на пространственно-временную близость и устранение причинно-следственной связи как он проходит через большое количество событий в цепочке между причинами и эффект
        2. Тест на прямую причину: внезапные обрывы в причинно-следственной цепочке, образованной наличие «вмешательства» или «Заменяющие» причины, которые буквально разрывают причинные цепи которые иначе существовали бы
      3. Тесты на непосредственную причинность, чтобы быть частично причинными, а частично политика: прямая причина в сочетании с требованием, чтобы промежуточная причина быть непредвиденной для ответчика в то время, когда она поступил
  2. Унифицированные тесты: юридическая причинность требует естественного, унитарного, причинного связь
    1. Причина аспекта (выше I.A.2.d.) агрессивно применяется
    2. Причина как скалярный примитив: исходный существенный фактор тест
    3. Физически редукционистские тесты: причина как физический процесс

6. Заключение

Хотя можно придерживаться мнения, что причинно-следственная связь в законе ничего не разделяет с причинно-следственной связью в науке и повседневной жизни (за исключением использование того же слова), такая точка зрения очень противоречит здравому смыслу; некоторые Несомненно, существует связь между двумя концепциями причинности.Что оставляет еще два правдоподобных взгляда на эту связь. Сильный взгляд на это отношение будет заключаться в том, что концепции совпадают. Три единые тесты на юридическую причинно-следственную связь рассматривались в последний раз, и два вышеупомянутые метафизические взгляды на непосредственную причинность, все сделать такое сильное отношение правдоподобным. Более слабый взгляд на эту связь было бы рассматривать часть концепции закона причинность — «причина по факту» — быть тем же самым, что и причинно-следственная связь в науке и повседневной жизни, но с учетом другого часть — «непосредственная причинность» — быть выводы анализа политики, не имеющие ничего общего с чем-либо, что можно рассматривать как причинную связь в обычном смысле.

Чтобы решить, какая версия этого отношения является правильной, нужно для решения различных конкурирующих концепций причинно-следственной связи в рассмотренном нами законе. Чтобы иметь основу для сравнения, нужно также решить множество загадок, связанных с поиском истинная метафизика причинности в философии; среди прочего, это включает в себя отказ от всех функций обычного использования «Причина», которые являются просто прагматическими характеристиками соответствующих высказывание, а не семантические признаки, фиксирующие упоминание срок.Это грандиозные задачи, которые нужно решать по обе стороны уравнение. Чтобы завершить их, юрист действительно должен «приключиться». сам с философами в логических и метафизических противоречиях, которые окружают идею причины » (Поллак 1901: 36). Для философов-юристов и философов-правоведов, это будет не стоимость, а выгода.

Корреляция против причинно-следственной связи | Введение в статистику

Корреляционные тесты для взаимосвязи между двумя переменными. Однако наблюдение за двумя переменными, движущимися вместе, не обязательно означает, что мы знаем, вызывает ли одна переменная появление другой.Вот почему мы обычно говорим: «корреляция не подразумевает причинно-следственной связи».

Сильная корреляция может указывать на причинно-следственную связь , но легко могут быть другие объяснения:

  • Это может быть результатом случайной случайности, когда переменные кажутся связанными, но истинной основополагающей связи нет.
  • Может быть третья скрытая переменная, которая заставляет отношения казаться сильнее (или слабее), чем они есть на самом деле.

Для данных наблюдений корреляции не могут подтвердить причинно-следственную связь…

Корреляции между переменными показывают нам, что в данных есть закономерность: переменные, которые у нас есть, имеют тенденцию перемещаться вместе. Однако сами по себе корреляции не показывают нам, перемещаются ли данные вместе , потому что одна переменная вызывает другую .

Можно найти статистически значимую и надежную корреляцию для двух переменных, которые на самом деле вообще не связаны причинно. На самом деле такие корреляции — обычное дело! Часто это происходит потому, что обе переменные связаны с разными причинными переменными, которые, как правило, совпадают с данными, которые мы измеряем.

Пример: упражнения и рак кожи

Давайте подумаем об этом на примере. Представьте, что вы просматриваете данные о состоянии здоровья. Вы наблюдаете статистически значимую положительную корреляцию между упражнениями и случаями рака кожи — то есть люди, которые больше занимаются спортом, как правило, болеют раком кожи. Эта корреляция кажется сильной и надежной и проявляется во многих популяциях пациентов. Не вдаваясь в подробности, можно сделать вывод, что упражнения каким-то образом вызывают рак! Основываясь на этих выводах, вы можете даже разработать правдоподобную гипотезу: возможно, стресс от упражнений заставляет организм терять некоторую способность защищаться от солнечных лучей.

Но представьте, что на самом деле эта корреляция существует в вашем наборе данных, потому что люди, которые живут в местах, которые получают много солнечного света круглый год, значительно более активны в своей повседневной жизни, чем люди, которые живут в местах, где этого нет. Это отражается в их данных как увеличение количества упражнений. В то же время повышенное ежедневное воздействие солнечного света означает увеличение числа случаев рака кожи. На обе переменные — частоту физических упражнений и рак кожи — влияла третья, причинная переменная — воздействие солнечного света, но они не были связаны причинно.

… но с хорошо продуманным эмпирическим исследованием мы,

, можем установить причинно-следственную связь!

Различие между тем, что дает или не дает причинно-следственные доказательства, является ключевым элементом информационной грамотности. Определение причинности никогда не бывает идеальным в реальном мире. Однако существует множество экспериментальных, статистических и исследовательских методов проектирования для поиска доказательств причинно-следственных связей: например, рандомизация, контролируемые эксперименты и прогностические модели с несколькими переменными.Помимо внутренних ограничений корреляционных тестов (например, корреляции не могут не измерять тривиальные, потенциально причинно-следственные связи), важно понимать, что доказательства причинно-следственной связи обычно исходят не от отдельных статистических тестов, а от тщательного экспериментального дизайна.

Пример: болезни сердца, диета и упражнения

Например, представьте себе еще раз, что мы исследователи здоровья, на этот раз смотрим на большой набор данных об уровне заболеваемости, диете и других видах поведения, связанных со здоровьем.Предположим, что мы обнаруживаем две корреляции: учащенное сердечно-сосудистое заболевание коррелирует с диетой с высоким содержанием жиров (положительная корреляция), а увеличение количества упражнений коррелирует с меньшим количеством сердечных заболеваний (отрицательная корреляция). Обе эти корреляции велики, и мы надежно находим их. Конечно же, это ключ к разгадке причинно-следственной связи, не так ли?

В случае этих данных о состоянии здоровья корреляция может указывать на лежащую в основе причинно-следственную связь, но без дальнейшей работы она не может ее установить. Представьте, что после обнаружения этих корреляций в качестве следующего шага мы разрабатываем биологическое исследование, в котором изучаются способы поглощения жира организмом и его влияние на сердце.Возможно, мы найдем механизм, благодаря которому повышенное потребление жиров сохраняется, что приводит к определенной нагрузке на сердце. Мы могли бы также внимательнее присмотреться к упражнениям и разработать рандомизированный контролируемый эксперимент, который обнаружит, что упражнения прерывают накопление жира, тем самым снижая нагрузку на сердце.

Все эти свидетельства укладываются в одно объяснение: диета с высоким содержанием жиров действительно может вызывать сердечные заболевания. И первоначальная корреляция сохранилась, когда мы углубились в проблему: диета с высоким содержанием жиров и сердечные заболевания связаны!

Но в этом примере обратите внимание, что наши причинные доказательства не были предоставлены самим тестом корреляции, который просто изучает взаимосвязь между данными наблюдений (такими как частота сердечных заболеваний и зарегистрированные диета и упражнения).Вместо этого мы использовали эмпирическое исследование, чтобы найти доказательства этой связи.

Итак, как мы исследуем причинно-следственную связь? При правильном расследовании!

Понимание причинно-следственной связи — сложная проблема. В реальном мире у нас никогда не бывает доступа ко всем данным, которые могут нам понадобиться для отображения всех возможных отношений между переменными. Но есть несколько ключевых стратегий, которые помогут нам изолировать и исследовать механизмы между различными переменными. Например, в контролируемом эксперименте мы можем попытаться тщательно сопоставить две группы и случайным образом применить лечение или вмешательство только к одной из групп.

Принцип рандомизации является ключевым в дизайне эксперимента, и понимание этого контекста может изменить то, что мы можем сделать из статистических тестов.

Давайте еще раз подумаем о первом примере выше, в котором изучалась взаимосвязь между физическими упражнениями и заболеваемостью раком кожи. Представьте себе, что мы каким-то образом можем взять большую, глобально распределенную выборку людей и случайным образом назначить их выполнять упражнения на разных уровнях каждую неделю в течение десяти лет. По истечении этого времени мы также собираем показатели заболеваемости раком кожи для этой большой группы.В итоге мы получим набор данных, который был экспериментально разработан для проверки взаимосвязи между упражнениями и раком кожи! Поскольку упражнение напрямую управлялось в эксперименте посредством случайного распределения, оно не будет систематически связано с какими-либо другими переменными, которые могли бы отличаться между этими двумя группами (при условии, что все другие аспекты исследования действительны). Это означает, что в данном случае, поскольку наши данные были получены с помощью разумного экспериментального плана, положительная корреляция между упражнениями и раком кожи будет значимым доказательством причинной связи.

Понимание исследований в области здравоохранения · Корреляция и причинно-следственная связь

Наука часто измеряет взаимосвязь между двумя или более факторами. Например, ученые могут захотеть узнать, приводит ли употребление большого количества колы к кариесу зубов, или они могут захотеть выяснить, вызывает ли прыжок на батуте проблемы с суставами.

  • Корреляция — это когда два фактора (или переменные) связаны, но один не обязательно вызывает другой
  • Причинно-следственная связь — это когда один фактор (или переменная) вызывает другой

В примере с прыжками на батуте исследование может показать, что люди, которые проводят много времени, прыгая на батуте, с большей вероятностью имеют проблемы с суставами, и в этом случае может возникнуть соблазн сделать вывод, что прыжки с батута вызывают проблемы с суставами .Однако возможно также, что прыгуны на батуте в исследовании также были бегунами на длинные дистанции. Таким образом, можно сказать, что существует корреляция между прыжками на батуте и проблемами суставов, но мы не знаем наверняка, являются ли прыжки на батуте причиной проблем с суставами.

Часто легко найти доказательства корреляции между двумя вещами, но трудно найти доказательства того, что одно на самом деле вызывает другое.Когда изменения в одной переменной вызывают изменение другой переменной, это описывается как причинная связь . Самое важное, что нужно понять, это то, что корреляция — это , а не , то же самое, что и причинная связь — иногда две вещи могут иметь общие отношения, но одна из них не вызывает другую. Например, чем больше пожарных машин будет вызвано на пожар, тем больший ущерб может нанести пожар. В этом случае повреждение не является результатом вызова дополнительных пожарных машин. Фактически, обе переменные (количество пожарных машин и размер нанесенного ущерба) вызваны размером пожара.

Даже если — это причинно-следственная связь между переменными, может быть трудно определить направление связи — какая переменная вызывает изменение другой? Например, может существовать корреляция между настроением людей и их физическим здоровьем, но не очевидно, какая переменная влияет на другую — улучшает ли хорошее настроение физическое здоровье или хорошее физическое здоровье улучшает настроение людей?

Некоторые типы исследований могут предоставить нам доказательства причинно-следственных связей между двумя вещами, в то время как другие типы могут только помочь нам найти корреляции.Например, рандомизированные контролируемые испытания могут предоставить убедительные доказательства причинно-следственных связей, в то время как перекрестные исследования, такие как разовые опросы, не могут.

Читая исследования в области здравоохранения, важно помнить о различии между корреляцией и причинно-следственной связью и задавать вопрос, доказательством какого из них является исследование, если таковое имеется.

В чем разница (+ примеры!)

Перейти к тому, что вам интересно прочитать:


Супер краткое резюме

Прежде чем мы начнем официально писать в блоге…

Я знаю, что некоторым из вас просто нужен быстрый, без суеты, ответ из одного предложения.Итак, если вы здесь, чтобы получить краткий ответ о том, в чем разница между причинно-следственной связью и корреляцией, то вот она:

Корреляция — это связь между двумя переменными; когда одна переменная изменяется, другая переменная также изменяется.

Причинность — это когда есть реальное объяснение того, почему это происходит логически; это подразумевает причину и следствие.

Итак: причинная связь — это корреляция с причиной .

Если вам интересно прочитать полное объяснение, чтобы правильно понять термины, разницу между ними и изучить реальные примеры, продолжайте прокручивать!


Прошли дни, когда данные в основном использовались исследователями или были доступны только тем, кто обладал огромным техническим мастерством.Времена, когда получение данных было трудным испытанием, которое требовало месяцев ручного отслеживания, разработки опроса или написания кода отслеживания с нуля , превышает .

Слава богу.

В наши дни, когда все, что находится под солнцем, отслеживается и каталогизируется, каждый имеет широкий доступ к данным. Однако этот обширный доступ может стать большим барьером между компаниями, которые становятся великими, и компаниями, которые этого не делают.

Люди, которые знают, как говорить на языке данных, имеют большое преимущество, потому что они могут владеть этим мощным инструментом.

Великие маркетологи больше не придумывают кампании, основанные на интуиции; вместо этого они позволяют своим данным сказать им, на какой кампании им следует сосредоточиться, а затем используют свой маркетинговый опыт для создания именно той оптимальной кампании, определенной с помощью данных.

Отличные менеджеры по продуктам предлагают тесты и изменения продукта на основе обширных исследований пользователей и данных об использовании продукта.

Каждый может использовать данные в своей роли, и получить доступ к актуальным для вас данным несложно.

Но часто самым большим препятствием является понимание: «Имея все эти данные, как мне узнать, что на самом деле важно, на чем сосредоточить свои усилия и какие шаги нужно предпринять?»

В этой записи блога, состоящей из двух частей, я покажу вам, как отвечать на эти вопросы и что значит правильно использовать свои данные.

В этом посте мы рассмотрим основы, такие как понимание того, что на самом деле представляют собой корреляция и причинно-следственная связь, и более подробно рассмотрим свойства корреляции, различные типы и роль, которую играет шум.

Во втором сообщении блога мы рассмотрим формулы для определения силы корреляции, как они могут помочь нам определить причинно-следственную связь и как понять, насколько важна каждая переменная для конечного результата.

Что такое корреляция и причинно-следственная связь?

Ключ к правильному использованию ваших данных заключается в понимании разницы между причинно-следственной связью и корреляцией, поэтому давайте теперь рассмотрим каждый из этих терминов.

Что такое причинно-следственная связь?

Суть причинно-следственной связи заключается в понимании причины и следствия.

Это что-то вроде:

  • Дождевые облака вызывают дождь
  • Физические упражнения вызывают рост мышц
  • Переедание вызывает увеличение веса

Это предполагает, что , потому что произошло x , затем следует y ; есть причина и следствие.

Однако это не особенно практично в деловой среде.

Когда вы просматриваете свои данные в практической обстановке, вы в основном ищете ответы на вопросы, в зависимости от вашей роли, например следующие:

  • Какой канал привлечения клиентов является наиболее успешным и почему?
  • Какие части моего продукта нравятся моим пользователям больше всего?
  • Почему люди покупают мой продукт / платят за мои услуги?

И, наконец, то, что вы хотите сделать, — это различать факторы, которые действительно способствовали более успешному каналу, лучшую часть продукта или причину, по которой клиенты покупают то, что вы продаете. .

Здесь вы ищите индикаторы, которые сообщают вам, какое из ваших действий привело к желаемому результату.

Обычно это никогда не что-то одно, а скорее — комбинация множества факторов, каждый из которых в той или иной степени играет роль в конечном результате.

Итак, на практике это может стать очень трудным, потому что у вас часто происходит много вещей одновременно.

Например, если вы работаете в маркетинговой команде и видите, что ваше последнее сообщение в блоге или видео привлекает большой веб-трафик на ваш сайт, вы можете задаться вопросом, действительно ли это произошло из-за ваших усилий или из-за:

  • Новое дополнение к продукту, которое команда разработчиков выпустила на прошлой неделе, или
  • Гость, которую ваш генеральный директор сделал в подкасте, или
  • Праздники не за горами, или
  • Кто-то разместил положительный отзыв о вашем продукте в популярный сайт,
  • и т. д.

Или, если вы хотите быть более точным, , какая часть этого увеличения трафика произошла из-за созданного вами контента по сравнению с другими переменными факторами?

Как вы понимаете, установить причинно-следственную связь может быть довольно сложно. Поскольку на практике эти вещи могут стать очень сложными, вы часто будете сталкиваться с родственным, но более общим понятием, называемым корреляцией.

Что такое корреляция?

Корреляция описывает взаимосвязь между двумя разными переменными, которая гласит: , когда одна переменная изменяется, изменяется и другая.

Зависимые и независимые переменные

Если у вас есть пара коррелированных переменных, одна называется зависимой переменной, а другая — независимой переменной.

Значение, которое зависимая переменная принимает для , зависит от значения, которое имеет независимая переменная. Вы можете думать о независимой переменной как о той, которая задает сцену, и зависимая переменная должна реагировать соответствующим образом.

Например, если вы анализируете, сколько блюд готовят в вашем ресторане на основе количества посетителей, то количество приготовленных обедов является зависимой переменной, а количество клиентов — независимой переменной.

При большем количестве клиентов вам нужно готовить больше блюд, но если вы просто начнете готовить больше блюд, вы, вероятно, не собираетесь волшебным образом привлекать больше клиентов в свой ресторан.

Иногда эти отношения могут стать более туманными.

Например: если вы анализируете общее время просмотра ваших видео на Youtube по сравнению с количеством просмотров видео.

В этом случае зависимой переменной является время просмотра, а независимой переменной — количество просмотров, поскольку время просмотра зависит от количества просмотров и количества просмотров каждым человеком.

Хотя вы можете оценить количество просмотров на основе времени просмотра, эта взаимосвязь не имеет большого смысла, поскольку зритель сначала должен нажать на ваше видео и начать просмотр, прежде чем они смогут внести свой вклад в время просмотра.

Основные свойства корреляций

Корреляции могут быть:

  1. Положительный
  2. Отрицательный (обратно коррелированный)
  3. Не коррелированный

Их корреляцию можно классифицировать как:

  1. Слабая
  2. Сильная
  3. Идеальная

В расширенном сообщении в блоге, которое выйдет на следующей неделе, мы рассмотрим статистические тесты, которые вы можете провести для определения силы корреляции, но здесь мы сначала сосредоточимся на получении лучшее понимание того, что на самом деле означает и как выглядит корреляция.

На следующих графиках показаны типы корреляций, упомянутые выше:

В каждом столбце мы показываем сначала отсутствие корреляции, затем слабую корреляцию, сильную корреляцию и идеальную корреляцию.

Первая и вторая строки показывают положительную и отрицательную линейную корреляцию соответственно.

  • Положительная корреляция означает, что когда одна переменная растет, другая растет.
  • Отрицательная корреляция означает, что когда одна переменная растет, другая падает.

Как мы видим, отсутствие корреляции просто не показывает никакой взаимосвязи: перемещение влево или вправо по оси x не позволяет нам предсказать какие-либо изменения по оси y.

Например, нет корреляции между весом моей кошки и ценой нового компьютера; они не имеют никакого отношения друг к другу.

(Если бы между весом моей кошки и ценой на новый компьютер существовала положительная корреляция, у всех нас были бы большие проблемы.)

Слабая корреляция означает, что мы можем видеть положительный или отрицательный тренд корреляции, глядя на данные издалека; однако эта тенденция очень слабая и может исчезнуть, когда вы сосредоточитесь на определенной области.

Например, возьмем слабую положительную и слабую отрицательную линейную корреляцию сверху и увеличим масштаб области x от 0 до 4.

Вот что может получиться:

И внезапно исчезла та слабая корреляция, которую мы видели раньше.

Это показывает нам, что, хотя слабая корреляция может сообщить нам информацию о более крупных тенденциях, эти правила могут не работать при поиске в меньшей области.

Следовательно, когда у нас слабая корреляция, мы должны быть осторожны, чтобы не пытаться использовать ее в слишком маленьком масштабе.

Сильная корреляция означает, что мы можем увеличивать масштаб намного, намного дальше, пока нам не придется беспокоиться о том, что это соотношение не соответствует действительности. Если мы возьмем нашу сильную положительную и сильную отрицательную корреляцию сверху, а также увеличим масштаб до области x от 0 до 4, мы увидим следующее:

Верхняя строка показывает нам, как выглядят сильные корреляции, когда мы увеличиваем масштаб x между областью 0–4.Как мы видим, даже здесь корреляции все еще очень очевидны, и они все еще довольно сильны (хотя и не так сильно, как раньше).

Чтобы попасть в область, где эта корреляция больше не соблюдается, нам нужно довольно сильно увеличить масштаб, что мы можем видеть в нижней строке приведенного выше графика.

Здесь мы увеличили масштаб до области, где x находится в диапазоне от 0,5 до 1,5, что составляет 10% от нашего исходного диапазона. В этом масштабе наши корреляции больше не видны, даже в слабой форме.

И, наконец, идеальная корреляция — это корреляция без шума, и не имеет значения, насколько сильно мы увеличиваем масштаб, она всегда будет оставаться идеальной. Этот тип корреляции непрактичен, но все же важно знать, как выглядит «идеальная» корреляция.

Сила корреляции и наклон?

Еще одна вещь, которую часто неправильно понимают в отношении корреляций, заключается в том, что сила корреляции зависит от наклона .

Взгляните на следующие графики.Все они, за исключением одного, демонстрируют сильную корреляцию с одинаковой силой.

Обратите внимание, как у нас может быть сильная корреляция независимо от того, большой ли у нас (левый столбец) или маленький (средний столбец) наклон.

В крайнем правом столбце показан график без корреляции, несмотря на то, что практически нет шума. Это связано со способом определения корреляций: насколько изменение одной переменной влияет на другую переменную.

В этом случае значение y не зависит от значения x, следовательно, это еще один пример отсутствия корреляции (хотя более реалистичный пример отсутствия корреляции больше похож на случайный разброс точек, который мы видели в визуал в предыдущем разделе.)

Что такое шум и почему он важен для измерения корреляций

Вы могли заметить, что средний столбец приведенного выше графика больше похож на идеальную корреляцию, чем крайний левый столбец. Это потому, что сила корреляции зависит от масштаба вашего шума относительно наклона.

Итак, чтобы средний и левый столбцы имели одинаковую силу корреляции, масштаб шума в среднем столбце должен быть меньше, чем масштаб шума в левом столбце, поскольку средний столбец имеет меньший (более мелкий) наклон. .

Причина этого в том, что мы более подробно обсудим в расширенном сообщении в блоге, которое выйдет на следующей неделе, так что пока просто знайте, что у вас могут быть очень сильные корреляции, даже если ваш наклон не очень большой.

Давайте сейчас сосредоточимся только на одном термине: шум.

Итак, что такое шум?

Шум указывает на изменение ваших данных. Он существует, потому что всегда есть много вещей, влияющих на данные, которые вы просматриваете.

Мы видели шум на наших графиках выше, особенно если посмотреть на различные силы корреляции.

Давайте снова возьмем это изображение:

В крайнем левом столбце мы видим много шума; данные сильно различаются, и все выглядит повсюду.

Второй столбец слева показывает общую тенденцию, как мы обсуждали выше, но все еще существует множество вариаций. Мы можем видеть на нашей оси Y, что значения y меняются примерно от 0 до 4, но ширина нашей линии составляет около 2.

В третьем столбце слева («Сильная положительная / отрицательная линейная корреляция») мы видим гораздо более четкую тенденцию. Наши данные все еще немного колеблются, но не сильно. В этом случае у нас мало шума .

В крайнем правом столбце нет никаких колебаний и отображается идеальная прямая линия без шума.

Вот так «выглядит» шум. Мы также сравнили наш шум только со значениями y, но точки данных x и y будут иметь шум, который влияет на них.

Но давайте сделаем это более практичным.

Что такое шум на самом деле и откуда он возникает?

Представим, что вы создали игру для смартфона и посмотрите, сколько времени каждый пользователь потратил на вашу игру при первой загрузке.

Лучше всего это представить в виде гистограммы, которая может выглядеть так:

Обычно после построения точек данных, которые есть у вас с по , появляется форма распределения, и вы можете оценить форму распределения на основе имеющихся точек.

Идеальное распределение — это то, как ваше распределение выглядел бы, если бы у вас было бесконечное количество точек данных. Это распределение может принимать любую форму; это не обязательно должно быть нормальное распределение, подобное показанному выше.

Отклонение от идеального распределения, которое мы видим на гистограмме, является еще одной формой шума. Шум изменяет точки данных на основе факторов, не зависящих от эксперимента.

Этот шум исходит от таких вещей, как:

  • Пользователь запускает вашу игру, а затем забывает выключить ее, заставляя их оставаться включенными дольше
  • Другой пользователь вызван на обед своей мамой
  • Игра другого пользователя вылетела, поэтому они не смогли сыграть в первый раз

Все это приводит к появлению шума, который заставляет ваши данные отклоняться от «идеальной» формы, которая была бы, если бы каждый пользователь был помещен в пустую комнату и его попросили играть в вашу игру до тех пор, пока он не перестанет чувствовать, что это нужно.

Таким образом, при любом анализе данных, который вы когда-либо проводите, следует иметь в виду шум, и в идеале вы должны минимизировать влияние шума на свои данные.

Контроль шума

На ваши данные всегда будет влиять шум, но , если вы хотите попытаться уменьшить количество шума в ваших данных, вы можете попытаться контролировать некоторые из источников шума.

Например, вы могли смотреть только на тех пользователей, чье приложение не закрылось из-за ошибки, так что вы можете контролировать шум, исходящий от сбоев пользовательских приложений.

Для каждой переменной шума, которую вы контролируете, размер вашей выборки будет уменьшаться, поэтому, если вы попытаетесь контролировать слишком много вещей, у вас будет слишком мало точек данных, которые не позволят вам ничего делать. тоже полезно.

Итак, что вы хотите сделать, это определить ваши самые большие источники шума , , то есть какие переменные приводят к наибольшему количеству колебаний, и попытаться контролировать эти .

Таким образом вы сохраните размер выборки как можно большим, контролируя только несколько вещей, при этом устраняя как можно больше шума.

Конечно, поиск правильного баланса между допустимым количеством шума и желаемым размером выборки всегда зависит от того, что вы делаете, поэтому, в конце концов, вам нужно решить, будет ли количество шума, которое вы видите на вашем графике приемлемо для анализа, и если размер выборки достаточно велик.

Есть несколько математических методов, которые вы можете использовать, чтобы помочь с этим, о которых мы поговорим в расширенном сообщении в блоге на следующей неделе, если вам интересно.

Типы корреляции

Выше мы видели примеры положительных и отрицательных линейных комбинаций при разной силе корреляции, но корреляции не обязательно должны быть линейными.

Они также могут иметь множество различных форм, таких как линейные, квадратичные, экспоненциальные, логарифмические и в основном любые другие функции, о которых вы только можете подумать.

На следующих графиках показано несколько примеров коррелированных переменных:

Мы можем видеть на крайнем левом графике, что, когда значение «x» увеличивается, значение «y» увеличивается на пропорциональную величину, и эта величина всегда одинакова.

Взаимосвязь между осью x и осью y может быть описана уравнением «y = mx + b», которое делает этот тип корреляции линейным (это также легко увидеть по прямой линии на графике).

На среднем графике мы видим, что в зависимости от того, где мы находимся на графике, значение ‘y’ уменьшается (при x <~ 3), на самом деле не изменяется (примерно при x = 3) или увеличивается с х (при х> ~ 3).

Здесь очень важно отметить, что, хотя корреляции не обязательно должны быть линейными, стандартно искать только линейные корреляции, потому что их проще всего искать и легче всего проверять с помощью формул.

Давайте посмотрим на некоторые примеры корреляций, например:

  • Чем жарче погода, тем больше мороженого вы продаете
  • Чем больше голосов получает ваш контент на Reddit, тем больше посетителей страницы вы получаете из этого сообщения
  • Чем больше у вас подписчиков в Instagram, тем больше продаж вы делаете в своем бизнесе

Чтобы лучше понять эти примеры, я визуализировал, как могут выглядеть графики для каждого из приведенных выше примеров.

Вот количество покупателей мороженого в зависимости от температуры:

Вот статистика посетителей страницы против голосов Reddit:

И вот график ежемесячных продаж бизнеса относительно подписчиков в Instagram:

Обратите внимание, что ни один из них не имеет реальной линейной формы.

И на самом деле — наши продажи мороженого, кажется, достигают максимума примерно на 200, посещения страниц из голосов Reddit, кажется, растут намного быстрее после того, как мы передаем 20-30 голосов, а продажи продуктов, похоже, растут медленнее, когда мы попадаем в тысячи Instagram. последователи.

Итак, чтобы быть более точным, мы, , могли бы сказать, что первый график выглядит как «S» (он же сигмовидная форма), второй график выглядит слегка экспоненциальным или как степенное соотношение, а третий график выглядит немного логарифмическим, потому что он выравнивается.

Тем не менее, я по-прежнему рекомендую, чтобы, если он выглядит более или менее линейным, рассматривать его части как линейные для вашего анализа.

Моя точка зрения: эти корреляции выглядят достаточно близкими к линейным, чтобы мы могли считать их части линейными, а не рассматривать их как более сложные формы, которые может быть труднее оценить и которые не приведут к значительным улучшениям ваших результатов.

Конечно, когда связь слишком далека от линейной, вы не можете считать ее просто линейной.

Итак, из приведенных выше графиков мы можем прийти к следующим выводам, рассматривая их части как линейные корреляции как часть более сложных форм:

  • На графике мороженого существует определенный температурный диапазон, в котором потребительский спрос быстро растет (в центре), а во внешних регионах наблюдается небольшое изменение спроса. Нашему магазину мороженого не нужно планировать до последнего рожка мороженого, проданного в конкретный день, но было бы очень полезно знать, сколько ведер мороженого нужно приготовить в целом, исходя из завтрашнего прогноза погоды.
  • С помощью Reddit мы можем подготовить наши серверы к увеличению трафика в случае, если наша публикация начнет тренд, чтобы убедиться, что у наших пользователей не слишком долгое время загрузки на наш сайт. С помощью графика мы можем сделать обоснованные оценки ожидаемого трафика и минимизировать риск недооценки или перекупленности.
  • Или с нашими подписчиками в Instagram , мы знаем, какую прибыль ожидать при определенном количестве подписчиков. Но с уменьшающейся отдачей, которую мы видим на графике выше, мы можем захотеть подумать о стратегиях того, как сделать наших нынешних последователей более лояльными или заинтересованными, а не просто пытаться постоянно получать новых подписчиков.

В чем разница между причинно-следственной связью и корреляцией?

Итак, вопрос на миллион долларов: в чем разница между причинно-следственной связью и корреляцией?

Ну, короче:

Корреляция — это мера для того, как зависимая переменная реагирует на изменение независимой переменной .

Корреляция, в конце концов, — это просто число, полученное из формулы.

Причинная связь — это особый тип связи между коррелированными переменными, в котором конкретно говорится, что изменение одной переменной вызывает соответствующую реакцию другой.

Причинно-следственная связь добавляет реальный контекст и значение корреляции.

Все причинные связи являются корреляциями, но не все корреляции являются причинными связями.

У вас могут появиться корреляции между переменными чисто случайно, поэтому, размышляя о причинно-следственной связи, мы должны спросить себя:

  • Имеет ли смысл эта корреляция? Существует ли фактическая связь между этими переменными ?
  • Сохранится ли / будет ли корреляция, если я посмотрю на некоторые новые данные, которые я не использовал в своем текущем анализе?
  • Связь между этими переменными прямая, или они обе являются результатом какой-то другой переменной?

Примеры корреляции и причинно-следственной связи

Вот несколько быстрых примеров корреляции vs.причинно-следственная связь ниже.

Примеры корреляции, НЕ причинно-следственной связи:

  • « В те дни, когда я бегаю, я замечаю на дороге больше машин. «
    • Лично я НЕ ПРИЗЫВАЮ больше машин выезжать на улицу, когда я бегу. Просто потому, что я выбегаю на улицу, я вижу больше машин, чем когда остаюсь дома. Эта связь не является причинно-следственной , потому что ни машины, ни я не влияем друг на друга.

Хорошо, а как насчет примера, который на первый взгляд может показаться более связанным с :

  • « В дни, когда я пью кофе, я чувствую себя более продуктивным. «
    • Я, конечно, могу чувствовать себя более продуктивно благодаря кофеину. Но это также может быть связано с тем, что я хожу в кафе, чтобы выпить кофе, и я более продуктивен в кафе, чем дома, когда есть миллион отвлекающих факторов. Эта причинно-следственная связь ЯВЛЯЕТСЯ НЕ подтвержденной.

Примеры причинно-следственной связи:

  • После тренировки я чувствую себя физически истощенным.
    • Это причинно-следственная связь , потому что я целенаправленно доводю свое тело до физического истощения при выполнении упражнений.Мышцы, которые я использовал для упражнений, истощены (эффект) после того, как я упражняюсь (причина). Эта причинно-следственная связь IS подтверждена.
  • Когда я кормлю кошку более чем двумя лакомствами в день, она становится немного более пухлой.
    • Моя кошка толстеет , потому что я кормлю ее больше. Это причина и следствие. Причина в том, что я кормлю кошку лакомствами, а в результате она становится немного круглее.

Отличить причинно-следственную связь от корреляции может быть непросто, когда вещи имеют положительную или отрицательную корреляцию без какой-либо причины или из-за, казалось бы, случайных, несвязанных причин.

Давайте представим, что каждый раз, когда я пью кофе, в Испании цены на кукурузу растут.

Это будет положительная корреляция: когда я увеличиваю потребление кофе, цена на кукурузу возрастает.

Но делает ли это магическим образом причинно-следственную связь? Нет.

То, что я пью больше кофе, НЕ означает, что я вызываю рост цен на кукурузу в Испании.

Между мной и ценами на кукурузу нет причинно-следственной связи.

Хотя … если по какой-то странной, сложной логистической причине глобальной цепочки поставок, связанной с моим спросом на кофе, увеличивающим производство кофе в Испании, что затем каким-то образом увеличивает стоимость на соседних кукурузных полях, тем самым фактически увеличивая цены на кукурузу, и, НА ФАКТЕ, была причинно-следственная связь … Тогда это была бы другая история.

Но, к счастью, , вероятно, не имеет причинного эффекта в этом сценарии, просто корреляция.

Эти примеры немного более анекдотичны с целью установить разницу между ними, но давайте рассмотрим более практический сценарий, в котором граница между причинно-следственной связью и корреляцией может быть размыта.

Например, давайте рассмотрим две переменные: 1) количество лайков на видео Youtube и 2) общее время просмотра видео.

Мы можем видеть, что с увеличением количества лайков на видео увеличивается и общее время просмотра видео. Точно так же с увеличением общего времени просмотра увеличивается и количество лайков.

Следующее изображение представляет собой построенный мною график взаимосвязи между временем просмотра и количеством лайков для выбранной группы видео на Youtube, чтобы помочь нам визуализировать эту взаимосвязь:

Здесь мы видим слабую положительную корреляцию, которая не является полностью линейной, но для простоты мы будем приближать ее к линейной.

Но что это значит? И в каком направлении идет эта корреляция? Какая из них является зависимой, а какая независимой?

Ну, эти переменные могут быть слабо связаны друг с другом:

  • Чем больше лайков, тем больше людей смотрели видео дольше, потому что оно им понравилось, или,
  • , что больше людей понравилось видео, потому что они смотрели его дольше и получали от него удовольствие.

Объяснения в обоих направлениях имеют смысл, но можно с уверенностью сказать, что ни одно из них на самом деле не вызывает друг друга.

Лучшая причинная переменная, которая также коррелирует с обеими этими переменными, — это переменная «количество просмотров» в видеороликах Youtube. Зрители несут ответственность за то, чтобы лайкать и смотреть видео, и, следовательно, они увеличивают эти цифры.

В этом случае на самом деле может происходить то, что переменная «количество просмотров» ВЫЗЫВАЕТ более высокое время просмотра и увеличение количества лайков для видео. И переменные «время просмотра» и «лайки» являются корреляциями друг с другом только из-за их случайной связи с переменной «количество просмотров», но сами переменные «время просмотра» и «лайки» не имеют причинной связи с ними. друг с другом.

Итак, как вы понимаете, существует случаев, которых мы можем получить корреляции между переменными, которые возникают непосредственно из-за причинной связи между ними.

Важно отметить, что если у вас есть причинная переменная, которая коррелирует с несколькими другими переменными, тогда эти другие переменные также могут быть коррелированы друг с другом просто из-за их зависимости от одной и той же причинной переменной.

Это то, что мы видели в примере выше.

Короче говоря, корреляция — это очень важная взаимосвязь между переменными, которая может указывать на причинно-следственные связи, но сами корреляции иногда могут вводить в заблуждение или неинформативно.

Если мы не оценили эту взаимосвязь и не нашли фактическое значение, которое связывает две переменные, нам, , не следует, , начинать принимать решения, основываясь на том, как мы нашли коррелированную, но в остальном, казалось бы, несвязанную переменную для поведения.

И это все, что написано в блоге на этой неделе!

Следите за обновлениями на следующей неделе, и вы увидите вторую часть этого сообщения в блоге, где мы рассмотрим эту тему более подробно.



Связь против причинно-следственной связи

При рассмотрении взаимосвязи между воздействием и последствиями для здоровья важно различать связь и причинно-следственную связь.В конечном итоге эпидемиологи хотят иметь возможность делать выводы о причинно-следственной связи, но большинство эпидемиологических исследований сосредоточено на установлении ассоциаций.

Ассоциация: Является ли указанный исход для здоровья более вероятным у людей с определенным «воздействием»? Ссылка есть? Ассоциация — это статистическая связь между двумя переменными.

Две переменные могут быть связаны без причинно-следственной связи. Например, существует статистическая связь между количеством людей, утонувших в результате падения в бассейн, и количеством фильмов, в которых Николас Кейдж появился в данном году.Однако причинно-следственной связи явно нет.

еврейских женщин имеют более высокий риск рака груди, в то время как мормоны имеют более низкий риск. Однако религия не является причиной рака груди. Есть и другие объяснения.

Было убедительно продемонстрировано, что люди с более низким социально-экономическим статусом (СЭС) имеют более высокий риск рака легких, т.е. существует четкая ассоциация, но означает ли это, что низкий СЭС является причиной рака легких? Более правдоподобным объяснением является то, что люди с более низким СЭС более склонны курить и хронически подвергаться воздействию загрязнения воздуха и что воздействие этих загрязнителей на дыхательные пути вызывает мутации в клетках бронхов, которые в конечном итоге могут вызвать рак.

Причинная связь: Причинная связь означает, что воздействие производит эффект. Это может быть наличие неблагоприятного воздействия, например, повышенный риск при работе на угольной шахте, употреблении запрещенных наркотиков или вдыхании вторичного дыма. Причинными факторами также может быть отсутствие профилактического воздействия, например, отсутствие ремня безопасности или отсутствие физических упражнений. Причина должна быть связана с результатом, но простой демонстрации связи недостаточно.Чтобы сделать вывод о том, что недостаток физических упражнений является причиной сердечных заболеваний, необходимо проанализировать совокупность данных, предполагающих причинно-следственную связь, а также рассмотреть другие критерии. Например,

  • Воздействие табачного дыма и загрязнения воздуха предшествует возникновению рака легких?
  • Существует ли сильная связь между курением и последующим возникновением рака легких?
  • Возможно ли, что из-за рака легких человек начинает курить?

Интересно отметить, что когда курильщикам, которые всю жизнь говорят, что у них рак легких или эмфизема легких, многие из них бросают курить.Это создает впечатление, что бывшие курильщики с большей вероятностью умрут от эмфиземы или рака легких, чем нынешние курильщики.

вернуться наверх | предыдущая страница | следующая страница

Теория причинно-следственной связи — Департамент философии — Дитрихский колледж гуманитарных и социальных наук

Причинность и индуктивный вывод были связаны в философской литературе со времен Дэвида Юма. Вклад Департамента в фундамент причинно-следственной связи и причинно-следственных связей за последние два десятилетия изменил предмет и оказывает влияние не только на философию, информатику и статистику, но также на социальные науки, биологию и даже планетологию.Основная идея состоит в том, что, хотя корреляция или статистическая зависимость не может определить причинную связь между двумя переменными, она может, при правдоподобных допущениях, определять некоторые причинно-следственные связи, когда рассматриваются три или более переменных. Это позволяет использовать алгоритмы, которые иногда могут восстанавливать особенности причинной структуры неизвестной системы только на основе паттернов корреляции. Ниже приводится краткий список нашей работы в этой области с 2008 года.

Границы достоверности для причинного вывода. Спиртес, Глимур и Шайнс показали, что причинное открытие сходится к истине при вероятных условиях (то есть непротиворечиво по точкам). Это не означает, что кто-то может априори сказать, насколько вероятно, что он близок к истине при данном размере выборки. Спиртес и бывший студент Дж. Чжан исследовали усиленные версии предположения о верности и пересмотрели алгоритмы, с помощью которых достигается единообразная согласованность.

Фундаментальные допущения. Несколько фундаментальных предположений связывают распределения вероятностей с причинными отношениями и служат основой теории причинного вывода.Причинно-марковское предположение гласит, что каждая переменная не зависит от своих эффектов, обусловленных своими прямыми причинами. Предположение о причинной достоверности утверждает, что единственными условными независимостями, которые имеют место в популяции, являются те, которые вытекают из причинного марковского предположения. Справедливость этих предположений подверглась тщательной философской проверке. Спиртес исследовал, в какой степени причинное марковское предположение инвариантно относительно преобразования переменных. Спиртес и бывший ученик Чжан исследовали несколько вариантов предположения о причинной верности, которые как ослабляют его в некоторых отношениях, так и усиливают в других отношениях.Эта работа дала практические результаты для улучшения алгоритмов причинного вывода. Спиртес и Чжан также исследовали, какие выводы можно сделать, если заменить допущение причинной достоверности гораздо более слабым предположением причинной минимальности (т. Е. Распределение населения не соответствует подграфу истинного причинного графа).

Другие параметрические семейства, полу- параметрический и непараметрический вывод. Существует множество алгоритмов причинного вывода, которые предполагают, что распределение населения было гауссовым или полиномиальным.Спиртес и бывший студент Тиллман разработали непараметрический тест условной независимости, который можно использовать для расширения алгоритмов причинного вывода на основе ограничений на произвольные распределения. Рэмси провел исследование более быстрого непараметрического тестирования условной независимости. Спиртес и Тиллман также рассмотрели негауссовские линейные распределения и распределения аддитивного шума и показали, что эти семейства распределений позволяют алгоритмам надежно делать более богатый набор причинных выводов, чем позволяют гауссовский или полиномиальный случай.

Вывод причинных теорий с неизмеряемыми переменными. Неизмеренные (скрытые) общие причины — одно из основных препятствий на пути к надежному причинному выводу. Spirtes в сотрудничестве с Claassen изучает возможность значительного ускорения существующего алгоритма FCI. Спиртес в сотрудничестве с Дж. Купером разрабатывает комбинированные алгоритмы на основе ограничений / байесовские алгоритмы, которые ищут причинно-следственные модели, правильные даже с неизмеряемыми переменными. Глаймур работал со студентом Александром Мюррей-Уоттерсом, который сейчас учится в магистратуре, и Ричардом Шайнсом над разработкой процедур для выявления ненаблюдаемых причин, влияющих на причинные связи между наблюдаемыми переменными.Эта работа будет применена к эмпирическим данным о клеточных сигнальных механизмах.

Бритва Оккама в обнаружении причин. Чтобы проиллюстрировать важность минимизации ретракции для практического исследования, Келли и бывший доктор философии. Ученик К. Мэйо-Уилсон показал, что любая конкретная причинная стрелка, выведенная с помощью точечно-последовательного причинного метода, может быть вынуждена природой менять ориентацию любое количество раз до того, как она сойдется с истинной ориентацией. Тем не менее, основная стратегия, основанная на причинных выводах на основе результатов статистических тестов, является оптимально эффективной с точки зрения ретракции.Келли и Мэйо-Уилсон провели обширные исследования моделирования с помощью программы поиска причинно-следственных связей наших коллег, чтобы проиллюстрировать математические результаты. Им неоднократно удавалось произвести два последовательных переворота ориентации данной причинной связи в соответствии с лежащей в основе теорией.

Объединение отдельных наборов данных. Спиртес и Тиллман исследовали вопрос о перекрывающихся наборах переменных. То есть, если у одного есть несколько наборов данных, которые измеряют перекрывающиеся наборы переменных, что (если что-нибудь) можно узнать о причинной структуре, лежащей в основе всех измеряемых переменных? Все стандартные ответы в статистике требуют сильных предположений.Спиртес и Тиллман усовершенствовали алгоритмы, разработанные Глимуром, Дэнксом и Тиллманом.

Анализ причинных факторов. da Silva, Scheines, Glymour и Spirtes ранее разработали алгоритм BuildPureClusters, который может достоверно изучить «модель измерения», т. Е. Набор скрытых переменных, которые лежат в основе данного набора измеряемых переменных до тех пор, пока каждый кластер вызвано не более чем одной скрытой переменной. Шайнс, Спиртес, Рэмси и доктор философии. студенты Куммерфельд и Янг расширили алгоритм построения чистых кластеров, чтобы он мог надежно находить набор скрытых переменных, которые не лежат в основе данного набора измеряемых переменных, даже если кластер переменных вызван множеством скрытых факторов.

Временной ряд. Дэнкс в сотрудничестве с Сергеем Плисом (Сеть исследования разума, Университет Нью-Мексико) сосредоточил свое внимание на изучении данных временных рядов, которые занижены по сравнению с истинной причинно-следственной шкалой времени. Например, связь между нейронами происходит относительно быстро (порядка 100 мс), но измерения фМРТ обычно намного медленнее (порядка двух секунд). Дэнкс и Плис впервые показали, что эта недостаточная выборка — измерение системы медленнее, чем лежащие в основе процессы — может значительно ухудшить изучение причинной структуры, включая пропуск причинных связей, добавление ложных связей и изменение правильного причинного направления на противоположное.Затем они доказали набор теорем о том, как причинные системы (кажется) изменяются при различных типах недостаточной выборки. В настоящее время они используют эти теоремы для разработки алгоритмов изучения причинной структуры, которые извлекают структуру в причинно-следственной шкале времени (или, по крайней мере, в максимально возможной степени) из данных временных рядов с недостаточной выборкой.

Эффективный экспериментальный дизайн. Шайнс и бывший аспирант Фредерик Эбхерхардт вместе с Патриком Хойером исследовали проблему причинного вывода из последовательности экспериментов.Они рассмотрели изучение линейных циклических причинно-следственных моделей и установили границы наихудшего случая для успешного причинного вывода, которые делают причинное открытие в крупномасштабных системах, таких как генетические регуляторные сети, экспериментально возможным. Эберхард и Хойер расширили эту работу, включив в нее скрытые переменные.

Изменение причинной структуры. Дэнкс в сотрудничестве с Эрихом Куммерфельдом (нынешний аспирант) сосредоточился на ситуациях, в которых причинная структура потенциально может измениться без предупреждения или сигнала.Например, тормозная магистраль в машине может оборваться, и причинно-следственная связь «Педаль -> Тормоза» внезапно исчезнет. С другой стороны, изменения могут быть более медленными, например, когда аккумулятор ноутбука постепенно теряет способность удерживать заряд. Куммерфельд и Дэнкс разработали новый алгоритм (LoSST) для изучения причинной структуры в подобных ситуациях. Алгоритм LoSST работает аналогично стандартным алгоритмам обучения причинной структуры, когда причинная структура фактически стабильна. Но если причинная структура действительно изменяется, алгоритм LoSST быстро определяет, что изменение произошло (используя только наблюдаемые данные), и быстро изучает новую причинную структуру.В ходе этого исследования Kummerfeld & Danks также определила новую методологическую проблему. Одно естественное (хотя ранее не обсуждавшееся) методологическое достоинство — это бдительность: если мир меняется, то метод имеет ненулевую вероятность распознать это изменение в течение известного периода времени. Известное методологическое достоинство — последовательность: если мир не меняется, то метод сходится к нему в бесконечном пределе. Куммерфельд и Дэнкс показали, что никакой статистический оценщик не может быть одновременно последовательным и тщательным; методы обучения могут доказуемо изучить структуру стабильного мира или защитить себя от изменяющегося мира, но не то и другое вместе.

Приложения. Несколько преподавателей (Глимур, Рэмси, Спиртес, Дэнкс) в течение последних нескольких лет занимались исследованиями причинного анализа функциональной магнитно-резонансной томографии (фМРТ) вместе с сотрудниками Расселом Полдраком из Техасского университета в Остине, Стив Хансон из Университета Рутгерса и Сергей Плис из Университета Нью-Мексико. Цель исследования — определить сети причинно-следственных связей в мозге по данным фМРТ.С этой целью Glymour, Ramsey и Spirtes расширили, модифицировали или разработали ряд алгоритмов. Для поиска ненаправленных причинно-следственных связей Глимур и Рэмси разработали многопредметную версию байесовского алгоритма поиска, первоначально разработанного аспирантом философии CMU Крисом Миком, и продемонстрировали его точность для вывода механизмов мозга из сканирований мозга, создав алгоритм IMaGES. , чтобы обеспечить одновременный поиск данных по нескольким темам. Эта процедура нашла несколько эмпирических приложений и одобрение учебников. Рэмси, Спиртес и Глимур также модифицировали алгоритм ПК с той же целью.Они также разработали ряд алгоритмов для использования негауссовости для ориентирования причинно-следственной ориентации данных фМРТ с учетом причинно-следственных связей из другого алгоритма. В настоящее время они уточняют и расширяют эти алгоритмы и работают над применением методов байесовской сети для решения теоретических проблем, возникающих при анализе данных фМРТ. Результаты Дэнкса и Плиса предполагают, что существуют ограничения на изучение графиков на основе данных с недостаточной выборкой, теоретическое ограничение, которое необходимо иметь в виду для фМРТ, поскольку скорость измерения образцов (1-3 секунды) очень велика. медленнее, чем скорость возникновения причинных процессов (100 мс).В сотрудничестве с бихевиористскими экономистами Синтией Крайдер и Геогом Лёвенстайном Шайнс применил методы выявления причин к моделям благотворительности, обнаружив, что воспринимаемое влияние пожертвований отражается на сочувствии к нуждающимся. Шайнс и исследователь в области образования Мартина Рау применили методы выявления причин для регистрации файлов поведения учащихся в наставнике по дробям, найдя доказательства в поддержку идеи, что обучение учащихся начальной школы концептуальному пониманию дробей до того, как они научатся бегло относиться к дробной арифметике, более эффективно для обучения, чем наоборот. наоборот.

Шейнс, Глимур и Дэнкс организовали важный семинар по научному применению методов выявления причин, которые компания SGS впервые применила в 1990-х годах. Три экономиста, четыре исследователя мозга, биолог, ученый-климатолог, четыре исследователя-генетика и несколько исследователей в области образования представили убедительные примеры, в которых реальный научный прогресс явно был достигнут в значительной степени благодаря использованию технологии поиска причин. Мы надеемся, что это сообщество будет расти и будет продолжать подталкивать теоретиков к созданию технологий машинного обучения, которые действительно будут полезны практикующим ученым.

Доказательная согласованность и причинно-следственная связь. В сотрудничестве с Грегом Уилером Шайнс исследовал способы, с помощью которых причинные отношения между гипотезой и свидетельствами, которые могут иметь к ней отношение, опосредуют связь между «доказательной связностью» и «подтверждением», которые можно смоделировать с помощью вероятностных отношений. При предположении, что эти отношения являются разумными моделями этих философских понятий (что не обязательно является нашей точкой зрения), оказывается, что для некоторых классов моделей причинная структура рассказывает всю историю, а для других причинная история вместе с границами позволяет много говорить о том, как соотносятся «согласованность» и «подтверждение».Эта работа недавно была опубликована в Mind.

Неверная спецификация. В сотрудничестве с психометристами из Калифорнийского университета в Лос-Анджелесе Шайнс исследовал взаимодействие между неправильной спецификацией модели измерения и систематической ошибкой при оценке причинно-следственных связей между скрытыми переменными. Удивительно, но использование моделей измерения, неправильно определенных как одномерные, часто приводит к очень низкому смещению при оценке причинных параметров. При разумных предположениях можно получить статистику, чтобы указать, когда исследователь может оказаться в такой ситуации.Это исследование было также расширено, чтобы выяснить, можно ли надежно построить многомерные модели измерений с использованием существующих алгоритмов кластеризации — ответ будет отрицательным, если многомерность даже умеренно сложна.

Вариативная конструкция. Шайнс, Дэнкс и аспирант Стив Фанксали исследовали взаимосвязь между целями научного исследования (прогнозирующими или причинно-следственными) и видами переменных, которые необходимо построить или определить из журналов необработанных данных, которые еще не являются даже случайными величинами.Если цель — предсказание, задача проста, но если цель является причинной, существует теоретическое противоречие между поиском переменных, которые являются а) сильными предикторами цели, но неизвестными причинами, или б) более слабыми предикторами, но более известными. причины.

Тестирование. Спиртес был членом правления Chalearn, организации, занимающейся организацией открытых конкурсов для анализа данных с целью сделать причинно-следственные выводы. За последний год было успешно проведено несколько таких соревнований.

Политика. Шайнс работал в нескольких комитетах Национальной академии наук, которые применяют методологию причинного вывода к проблемам национального значения. В 2005 году Институт медицины систематически изучал влияние маркетинга пищевых продуктов на питание детей. Шайнс разработал стандарты кодирования для причинного вывода и вместе с членами комитета применил их к более чем сотне опубликованных исследований. В 2007 году Комитету МОМ по оценке процесса принятия решений о предполагаемой инвалидности в Вирджинии было предложено разработать современную основу для анализа научных данных о том, вызывает ли воздействие военного времени ветеранские заболевания.В 2012–2014 годах Национальный исследовательский совет попросили проанализировать процесс IRIS Агентства по охране окружающей среды — систему, которую EPA использует для выявления опасности и оценки риска, связанного с химическими веществами, не являющимися пестицидами. В обоих этих комитетах Шайнс возглавил усилия по созданию основы для использования различных оснований доказательств (экспериментальных, наблюдательных, исследований на животных) за и против причинно-следственной связи.

Корреляция, причинно-следственная связь и путаница

Причинность долгое время оставалась загадкой, сбивая с толку философов и ученых на протяжении веков.Что именно? Как это можно измерить, то есть можно ли оценить силу связи между причиной и ее следствием? Что наблюдаемая связь между факторами — корреляция — говорит нам о возможной причинной связи? Как несколько факторов или причин совместно влияют на результаты? И существует ли причинность вообще «в мире», как это было, или это просто привычка нашего разума, связь, которую мы проводим между двумя событиями, которые мы наблюдали последовательно много раз, как знаменитый аргумент Юма? Богатая философская литература по причинно-следственной связи является свидетельством борьбы мыслителей на протяжении всей истории за поиск удовлетворительных ответов на эти вопросы.Точно так же ученые долгое время боролись с проблемами причинно-следственной связи, преодолевая многочисленные практические и теоретические препятствия.

Тем не менее, говоря о причинно-следственной связи, мы обычно принимаем как должное некоторое представление о том, что это такое и как мы можем ее оценить. Мы делаем это всякий раз, когда рассматриваем последствия наших действий или действий других людей, влияние государственного вмешательства, влияние новых технологий, последствия глобального потепления, эффективность лечения, вред уличных наркотиков или влияние наркотиков. популярные фильмы.Некоторые причинно-следственные связи звучат убедительно, например, когда мы говорим, что лечение вылечило кого-то или что заявление правительства вызвало бунт. Другие производят более слабое впечатление, например, когда мы говорим, что задержание лидера оппозиции повлияло на международное восприятие. Наконец, некоторые утверждения только намекают на причинно-следственную связь, например, когда мы говорим, что химическое вещество бисфенол А связано с диабетом.

В последние годы во многих различных областях, таких как бизнес-менеджмент, экономика, образование и медицина, стало широко принято, что решения должны быть «основаны на фактах», т.е. эмпирические источники должны информировать наш выбор, и мы ожидаем, что этот выбор приведет к желаемым результатам.Мы вкладываем большие средства в исследования, надеясь найти причинно-следственные связи между событиями. Следовательно, статистика становится все более важной, поскольку она дает представление о взаимосвязях между факторами в данном анализе. Однако индустрия научной журналистики имеет тенденцию искажать то, что показывают нам исследования и статистика, часто преувеличивая причинно-следственные связи и упуская из виду важные нюансы.

Причинность редко бывает такой простой, как мы склонны предполагать, и, возможно, по этой причине ее сложности часто игнорируются или даже игнорируются.Это не мелочь. Непонимание причинно-следственных связей может привести к выбору неэффективных действий, увековечиванию вредных практик и игнорированию полезных альтернатив. К сожалению, недавний ажиотаж вокруг «больших данных» породил фантастические представления о том, что такие проблемы можно решить с помощью колоссальной вычислительной мощности и огромных баз данных. Предполагается, что огромный объем информации с помощью инструментов анализа данных выявит настолько сильные корреляции, что вопросы о причинно-следственных связях больше не должны нас беспокоить.Считается, что если два события происходят вместе достаточно часто, мы можем предположить, что они на самом деле причинно связаны, даже если мы не знаем, как и почему.

Как мы увидим, понимание причинно-следственной связи, насколько это возможно, остается незаменимым для интерпретации данных, больших или малых. В этом эссе мы по большей части оставим в стороне богатую и сложную философскую литературу о причинно-следственных связях, вместо этого сосредоточив наше внимание на более практических вопросах: как мы должны думать о причинно-следственных связях и корреляции в медицине, политике и нашей повседневной жизни.Мы также обсудим некоторые замечательные достижения в размышлениях о причинно-следственных связях, которые стали возможными благодаря слиянию идей из различных областей науки, статистики и математики. Хотя для глубокого понимания этих разработок требуются специализированные технические знания, фундаментальные идеи достаточно доступны и дают представление о широком спектре вопросов, а также демонстрируют некоторые из сохраняющихся ограничений.

Начнем со знакомого примера.Мы знаем, что курение вызывает рак легких. Но не у всех, кто курит, это разовьется; Курение не является достаточной причиной рака легких. Курение не является необходимой причиной; у людей, которые не курят, может развиться рак легких. Глагол «вызывать» часто напоминает о нереалистичных представлениях о достаточной причинности. Но редко событие имеет только одну причину, как отметил Джон Стюарт Милль в книге A System of Logic (1843):

.

Эта неизменная последовательность существует редко, если вообще когда-либо, между консеквентом и единичным антецедентом.Обычно это между консеквентом и суммой нескольких антецедентов; согласие всех из них необходимо для получения, то есть для уверенности в том, что за ними последует следствие.

На основе аналогичных представлений в ряде областей, включая философию, право и эпидемиологию, ученые в последние годы предложили модели совместно достаточной причинно-следственной связи, чтобы показать, как несколько причин могут быть ответственны за один исход. Стало обычным с помощью таких моделей выражать причинно-следственную связь в терминах вероятности: когда известно, что только один фактор, например курение, имеет вероятное влияние на эффект, любого впечатления о достаточной причинно-следственной связи можно избежать, просто сказав, что курение «способствует» раку легких.Вероятностное моделирование можно рассматривать как стратегию упрощения сложных ситуаций, точно так же, как модели в механике включают упрощения, такие как падение объектов в вакууме или скольжение по плоскости без трения.

Возникновение рака легких может зависеть от множества факторов, помимо курения, таких как воздействие опасных химических веществ на рабочем месте, генетическая предрасположенность и возраст. Некоторые факторы могут быть совершенно неизвестны, а другие плохо поняты. Во многих случаях измерения некоторых факторов могут быть недоступны.Рассмотрение причинно-следственной связи с точки зрения вероятности позволяет нам упростить проблему, отбросив некоторые из этих факторов, по крайней мере, предварительно.

По иронии судьбы, главным оппонентом утверждения о том, что курение вызывает рак легких , был генетик Рональд А. Фишер, один из ведущих пионеров современной статистической теории. Ряд исследований показал связь между курением и раком легких, но Фишер поставил под сомнение наличие достаточных доказательств, позволяющих предположить причинно-следственную связь. (Хотя иногда между корреляцией и ассоциацией делаются технические различия, в этом эссе эти термины будут использоваться как синонимы.) Фишер указал, например, что существует корреляция между импортом яблок и количеством разводов, которая, безусловно, не является причинной. Таким образом, Фишер запустил кустарный промысел по выявлению ложных корреляций.

Тот факт, что Фишер сам был курильщиком и консультантом табачных фирм, иногда использовался для предположения о конфликте интересов. Но даже если он был совершенно неправ относительно связи между курением и раком легких, его общее беспокойство было обоснованным. Этот момент часто резюмируется в максиме: «Корреляция — это не причинно-следственная связь.«То, что два фактора взаимосвязаны, не обязательно означает, что один вызывает другой. Тем не менее, как выразился Рэндалл Манро, автор веб-комикса xkcd : «Корреляция не подразумевает причинно-следственную связь, но она действительно приподнимает брови и украдкой жестикулирует, говоря« посмотри туда »». Нам хочется подумать об этом. корреляция и причинно-следственная связь так или иначе связаны, а иногда и связаны — но когда и как?

Современные дебаты о корреляции и причинности восходят, по крайней мере, к середине восемнадцатого века, когда Юм утверждал, что мы никогда не можем напрямую наблюдать причинность, а только «постоянное соединение двух объектов.«Возможно, неудивительно, что ученые и философы испытывали смешанные чувства по поводу причинности: с одной стороны, она кажется центральной для научного предприятия, но с другой стороны, она кажется сбивающей с толку неосязаемой. По сей день продолжаются споры о том, является ли причинность особенностью физического мира или просто удобным способом размышления о взаимосвязях между событиями. В течение восемнадцатого и девятнадцатого веков статистическая теория и методы получили огромный рост, но по большей части закрывали глаза на причинно-следственные связи.В 1911 году Карл Пирсон, изобретатель коэффициента корреляции, назвал причинность «еще одним фетишем среди непостижимых тайн даже современной науки». Но события 1920-х годов начали различать корреляцию и причинно-следственную связь и проложили путь для современных методов вывода причин из наблюдаемых эффектов. Прежде чем обратиться к этим сложным методам, полезно изучить некоторые проблемы, связанные с корреляцией и причинно-следственной связью, а также способы их решения.

Источник путаницы в отношении причинно-следственной связи состоит в том, что новостные сообщения о результатах исследований часто предполагают наличие причинно-следственной связи, хотя этого не следует делать.Причинное утверждение может быть легче понять — сравните «ремни безопасности спасают жизни» с «использование ремней безопасности связано с более низкой смертностью» — потому что оно представляет собой причину (ремни безопасности), действующую напрямую (спасающую жизни). Кажется, это более убедительная история, чем корреляционное утверждение, которое может показаться неуклюжим и косвенным. Но в то время как история, которая претендует на объяснение корреляции, может показаться убедительной, причинное утверждение может быть необоснованным. Рассмотрим часто цитируемое исследование психолога Джона Готтмана и его коллег о прогнозировании развода на основе наблюдений за парами в разговоре об их отношениях и в конфликтной ситуации.В серии исследований, начавшихся в 1990-х годах, Готтман смог с точностью до 94 процентов предсказать, какие пары разводятся в течение трех лет. Среди самых сильных предикторов развода были презрение, критика, уклончивость и оборонительная позиция. Это впечатляющие результаты, о которых широко сообщалось в средствах массовой информации. К сожалению, они также были неправильно истолкованы. В некоторых газетных и журнальных статьях читателям предлагается, что эти результаты означают, что они могут снизить риск развода (или даже «защитить от развода» свой брак, как некоторые говорят), изменив способ общения и, в частности, уменьшив проблемное поведение. которые были идентифицированы.Такие изменения могут быть полезны, но исследования Готтмана не подтверждают это утверждение. Его прогнозы основывались на корреляции между наблюдаемым поведением и последующим результатом. Корреляция не означает, что результат должен был быть результатом такого поведения. Это также не означает, что изменение такого поведения изменило бы результат. Возможно, например, что защитная реакция является симптомом других проблем в браке, и что уменьшение защитной реакции имело бы ограниченную пользу, если бы не были устранены основные причины разлада.

Как факторы могут быть коррелированы, но не связаны причинно? Одна из причин — чистая случайность: связь Фишера между импортом яблок и количеством разводов была просто совпадением. Сегодня такие ложные корреляции легко получить. С появлением больших данных — огромных наборов данных, собираемых автоматически и вычёсываемых мощными вычислительными системами для выявления закономерностей, — корреляции могут производиться массово. Беда в том, что многие из них будут бессмысленными. Это известно как проблема «ложного открытия».«Небольшое количество значимых ассоциаций легко утонуть в море случайных находок. Статистики разработали теории и инструменты для решения проблемы случайных результатов. Возможно, наиболее известным является p-значение, которое можно использовать для оценки того, согласуется ли наблюдаемая ассоциация со случайностью или, наоборот, как обычно говорят, что она «статистически значима». Иногда идея статистической значимости становится источником неправильных представлений, включая убеждение, что корреляция не подразумевает причинно-следственную связь , если корреляция не является статистически значимой.Ошибку в этом убеждении легко увидеть в контексте больших наборов данных, где наблюдаемая связь практически гарантированно является статистически значимой. Сам по себе объем данных не дает оснований утверждать о причинно-следственной связи.

Другая причина, по которой два фактора могут быть коррелированы даже при отсутствии причинно-следственной связи, заключается в том, что они имеют общую причину. Примеры такого «смешения», как известно, слишком часто встречаются в научной литературе. Например, исследование 1999 года, опубликованное в журнале Nature , показало, что дети в возрасте до двух лет, которые спали с ночным освещением, чаще страдали миопией.Позже другие исследователи показали, что близорукие родители с большей вероятностью оставляют свет включенным по ночам. Возможно, что родители были частой причиной использования ночного света и, в силу генетической наследственности, близорукость передалась их детям.

В медицинских исследованиях смешение может сделать эффективное лечение вредным. Предположим, мы просматриваем истории болезни и сравниваем результаты пациентов с определенным заболеванием, которые получали и не получали новое лекарство. Это может показаться хорошим способом определить, насколько хорошо действует препарат.Однако это может легко привести к так называемому «искажению показаний»: определенные предубеждения могли повлиять на то, какие пациенты получали новое лекарство. Например, если пациенты, получившие новое лекарство, были более больными, то, даже если лекарство помогает, результаты пациентов, получивших его, могут быть хуже, чем результаты тех, кто этого не сделал.

Смешивание может также сделать неэффективное лечение полезным. Предположим, пациент страдает хроническим заболеванием, степень тяжести которого увеличивается и уменьшается.Когда его симптомы особенно сильны, он посещает знахаря-шарлатана, и его симптомы обычно улучшаются в течение недели или двух. Проблема в том, что улучшение — это просто результат естественного колебания болезни. Обострение симптомов побуждает пациента посетить шарлатана, но из-за естественного течения болезни за обострением следует улучшение в течение недели или двух. Ввод в заблуждение делает посещения знахаря-шарлатана эффективными.

Вводящие в заблуждение корреляции также могут возникать из-за способа отбора субъектов для участия в исследовании.Например, есть свидетельства того, что некоторые исследования связи между грудными имплантатами и заболеванием соединительной ткани могли пострадать из-за систематической ошибки отбора. Предположим, что участие в исследовании было больше для женщин с имплантатами, а также для женщин с заболеванием соединительной ткани (возможно, эти две группы с большей вероятностью ответили на вопросник, чем женщины ни из одной из групп). Затем в исследование будет включено непропорционально большое количество женщин с имплантатами и заболеванием соединительной ткани, что приведет к ассоциации, даже если не будет никакой причинно-следственной связи.Каждый раз, когда выбор субъектов для исследования является общим следствием как переменной воздействия, так и результата, возникает риск систематической ошибки отбора. Было высказано предположение, что смещение, вызванное общим эффектом (смещение выборки), может быть более трудным для понимания, чем смещение, вызванное общей причиной (искажение). Это делает смещение отбора особенно проблематичным.

При анализе больших данных систематическая ошибка отбора может быть особенно пагубной, потому что процессы, влияющие на то, какие люди будут включены в базу данных или исключены из нее, не всегда очевидны.Кроме того, такие базы данных часто бывают неоднородными: по разным причинам во многих записях могут отсутствовать некоторые элементы данных. В некоторых случаях записи с пропущенными значениями автоматически исключаются из анализа, что приводит к другой форме смещения выбора. В этих случаях обнаруженные ассоциации могут быть не чем иным, как артефактами сбора и анализа данных.

Таким образом, наличие корреляции не всегда означает наличие причинно-следственной связи. Возможно, что более удивительно, верно и обратное: наличие причинно-следственной связи не всегда означает наличие корреляции.Пример этого был приписан экономисту Милтону Фридману. Предположим, термостат поддерживает постоянную температуру в вашем доме, управляя масляной печью. В зависимости от температуры наружного воздуха сгорает больше или меньше масла. Но поскольку термостат поддерживает постоянную внутреннюю температуру, внутренняя температура не будет иметь никакого отношения к количеству сожженного масла. Масло — это то, что сохраняет тепло в доме — причинно-следственная связь, — но оно не связано с температурой в доме. Такая ситуация возникает, когда в системе есть обратная связь (здесь термостат создает «причинную петлю» между температурой в доме и топкой).

Также возможно, что положительная корреляция сопровождает отрицательную причинно-следственную связь (или отрицательную корреляцию может сопровождать положительную причинно-следственную связь). Предположим, определенная инвестиционная стратегия становится популярной среди богатых людей, но на самом деле это не очень хорошая стратегия, и в среднем люди, которые ее пробуют, теряют деньги. Тогда люди, которые используют эту стратегию, в среднем богаче, чем те, кто ее не использует, но люди, которые используют эту стратегию, беднее, чем если бы они этого не делали.

Иногда, даже при отсутствии причинно-следственной связи, корреляции могут быть чрезвычайно полезны.Симптомы болезни жизненно важны для постановки диагноза; определенные экономические индикаторы могут предвещать рецессию; Плохие оценки ученика могут быть признаком проблем дома. В каждом из этих случаев можно использовать один или несколько «маркеров» для определения основного состояния — будь то болезнь, экономический спад или семейная проблема. Изменение самого маркера может не повлиять на состояние. Например, лихорадка часто предшествует полномасштабной ветряной оспе, но, хотя лекарства, снижающие температуру, могут улучшить самочувствие пациента, они не влияют на инфекцию.

Страховые компании заинтересованы в корреляции между факторами риска и неблагоприятными исходами, независимо от причинно-следственной связи. Например, если определенная модель автомобиля подвержена более высокому риску аварии, то страховая компания будет взимать более высокую плату за страхование автомобиля этого типа. Может случиться так, что любители риска отдают предпочтение этой модели, или, возможно, само транспортное средство просто опасно (например, оно может иметь тенденцию к переворачиванию). Каким бы ни было объяснение, с точки зрения страховой компании важно только то, что этот тип автомобиля стоит дорого застраховать.Однако с других точек зрения причинно-следственная связь определенно важна: если цель состоит в повышении общественной безопасности, крайне важно определить факторы, вызывающие несчастные случаи. Иногда возникает путаница вокруг термина «фактор риска»: с одной стороны, он может просто относиться к маркеру риска (модель автомобиля, предпочитаемая любителями риска), а с другой стороны, он может относиться к фактору, который вызывает риск (автомобиль, который небезопасен на любой скорости).

Наконец, даже если действительно существует причинная связь между двумя факторами, все равно остается вопрос, что является причиной, а какой следствием.Другими словами, каково направление причинно-следственной связи? Сама по себе корреляция об этом ничего не говорит. Конечно, следствие не может предшествовать причине — за исключением научно-фантастических романов и некоторых загадочных философских аргументов. Но в зависимости от типа исследования время появления причины и следствия может быть неочевидным. Например, утверждалось, что активный образ жизни может защитить когнитивные функции пожилых людей. Но некоторые данные свидетельствуют о том, что причинно-следственная связь противоположна: более высокое когнитивное функционирование может привести к более активному образу жизни.Неправильное определение направления причинной связи часто называют «обратной причинно-следственной связью», хотя обратным является понимание, а не причинно-следственная связь. Когда одно событие следует за другим, мы часто склоняемся к выводу, что первое событие вызвало второе (обозначается латинским выражением post hoc ergo propter hoc ). Но такая связь на самом деле может быть результатом случайности, искажения или предвзятости отбора.

Причинные претензии должны подвергаться тщательной проверке и опровергаться, если они не соответствуют действительности.Но во многих случаях так или иначе не может быть окончательных доказательств. Предположим, что корреляция (например, между воздействием определенного химического вещества и некоторого заболевания) используется для подтверждения заявления о причинно-следственной связи в судебном процессе против корпорации или правительства. Ответчик может избежать ответственности, задавая вопросы о том, действительно ли корреляция свидетельствует о наличии причинной связи, и предлагая правдоподобные альтернативные объяснения. В таких ситуациях утверждение о том, что корреляция не подразумевает причинной связи, может стать универсальным инструментом для нейтрализации причинных утверждений.В конечном итоге это поднимает вопрос о том, на чем должно лежать бремя доказывания в причинно-следственном споре. Как мы увидим, важно то, что это обсуждение стоит того.

Большие данные и вопрос «Что, если?»

Некоторые люди испытывают искушение обойти проблему различения корреляции от причинности, задав вопрос, что же так важно в причинности. Если два фактора взаимосвязаны, разве этого недостаточно? Крис Андерсон, автор бестселлера The Long Tail (2006) и бывший главный редактор журнала Wired , очевидно, так считает.В своей статье 2008 года «Конец теории: поток данных делает научный метод устаревшим» Андерсон утверждал, что в эпоху больших данных мы можем отказаться от причинно-следственной связи:

Это мир, в котором огромные объемы данных и прикладная математика заменяют все остальные инструменты, которые могут быть задействованы. Откажитесь от всех теорий человеческого поведения, от лингвистики до социологии. Забудьте о таксономии, онтологии и психологии. Кто знает, почему люди делают то, что делают? Дело в том, что они это делают, и мы можем отслеживать и измерять это с беспрецедентной точностью.При достаточном количестве данных цифры говорят сами за себя….

Корреляция заменяет причинность, и наука может развиваться даже без согласованных моделей, единых теорий или вообще без какого-либо механистического объяснения.

Андерсон предполагает, что корреляции, легко вычисляемые на основе огромных объемов данных, более важны и ценны, чем попытки разработать объяснительные рамки. Верно, что корреляции могут быть ценными, особенно для получения прогнозов — при условии, конечно, что корреляции не просто случайны.Но они не могут сказать нам, что произойдет, если мы вмешаемся, чтобы что-то изменить. Для этого нам нужно знать, действительно ли существует причинно-следственная связь.

Предположим, исследование показало, что в среднем любители кофе живут дольше, чем люди, которые его не пьют. Последующие заголовки провозглашают, что «любители кофе живут дольше», что было бы правдой. Но кто-то, кто слышит об этом исследовании, может сказать: «Я должен начать пить кофе, чтобы прожить дольше». Этот вывод очень привлекателен, но он основан на двух взаимосвязанных недоразумениях.

Во-первых, существует неявное предположение, что вам нужно только начать пить кофе, чтобы быть таким же, как любители кофе в исследовании. Люди, пьющие кофе в исследовании, вероятно, по-разному отличались от людей, которые не употребляли кофе (диета, физические упражнения, богатство и т. Д.). Некоторые из этих характеристик действительно могут быть следствием употребления кофе, но некоторые могут быть уже существующими характеристиками. Если вы просто начнете пить кофе, это может не сделать вас похожим на любителей кофе, участвовавших в исследовании.

Второе недоразумение связано с двусмысленностью выражения «живи дольше». Какое сравнение здесь проводится? Исследование показало, что в среднем члены одной группы (любители кофе) живут дольше, чем члены другой группы (люди, которые не пьют кофе). Но когда люди говорят, что выполнение чего-либо продлит жизнь, они обычно имеют в виду, что благодаря этому вы проживете на больше, чем если бы вы этого не делали, . Другими словами, уместное сравнение проводится не между результатами, полученными людьми, которые придерживаются одного курса действий, и людьми, которые выбирают другой, а между результатами двух альтернативных вариантов действий, которые может предпринять человек.

Итак, если человек начинает пить кофе, то, чтобы определить влияние употребления кофе на продолжительность его жизни, вам нужно знать не только его фактическую продолжительность жизни, но и продолжительность ее жизни, если бы она не начала пить кофе. Это называется «контрфактическим», потому что требует рассмотрения чего-то другого, чем то, что произошло на самом деле. Противоречия играют центральную роль в большинстве современных теорий причинности.

В повседневной жизни люди обычно делают заявления о причинной связи, для подтверждения которых требуется контрфактический анализ.Благодаря новой диете ваш сосед похудел на тридцать фунтов. Сотрудницу повысили, потому что она связана с начальником. Ваша любимая команда в этом году выступила плохо из-за неумелого менеджера. Но разве ваш сосед тоже не пробежался? Разве этот коллега не лучший исполнитель, который действительно заслужил повышение? Не были ли игроки этой команды одними из худших в лиге? Чтобы оценить утверждение, что A вызвало B, нам нужно рассмотреть контрфакты: что бы произошло, если бы A было иначе? Чтобы оценить, привело ли диета вашего соседа к потере веса, нам нужно подумать, что бы произошло, если бы он не сидел на диете, и так далее.Юм выразился так: «Мы можем определить причину как объект, за которым следует еще r… , где, если бы первого объекта не было, второго никогда не существовало ».

Контртеррористические теории доходят до сути того, что делает причинно-следственные связи такими сложными. Мы можем только наблюдать то, что произошло на самом деле, а не то, что могло произойти. Таким образом, оценка причинного эффекта невозможна без предположений или включения информации, не связанной с рассматриваемой связью.Один из способов сделать это — использовать замену ненаблюдаемым контрфактам. Возможно, вы знаете кого-то еще, кто занялся бегом, но не , а изменил свою диету. Как это сработало для него? Вы могли бы вспомнить на работе другого топ-менеджера, который, как оказалось, , а не , связан с начальником, и которому годами отказывали в повышении по службе. Вы можете вспомнить, что ваша команда в предыдущие годы плохо работала с разными менеджерами.

Хотя мы никогда не можем непосредственно наблюдать причинный эффект, который, как мы подозреваем, несет ответственность за ассоциацию, мы можем наблюдать саму ассоциацию.Но при наличии искажения или предвзятости отбора ассоциация может вводить в заблуждение. Чтобы ответить на причинный вопрос, контрфактическое рассуждение — вопрос «а что, если?» — незаменим. Никакие объемы данных или грубая вычислительная мощность не могут заменить это.

Эксперименты и наблюдения

Угрозы смешения и предвзятости отбора, а также сложности причинных рассуждений кажутся серьезными препятствиями для науки. Конечно, у ученых есть мощный инструмент, чтобы обойти эти трудности: эксперимент.В эксперименте ученые манипулируют условиями — сохраняя некоторые факторы постоянными и меняя интересующий фактор в течение многих повторений — и измеряют полученные результаты. Когда это возможно, можно сделать обоснованные выводы о причине и ее следствии. Но по мере того, как научные методы распространились на социальные науки в девятнадцатом веке, эксперименты стали проводиться в настолько сложных условиях, что часто было невозможно контролировать все соответствующие факторы.

Американскому философу и логику Чарльзу Сандерсу Пирсу часто приписывают введение в статье 1884 года «О небольших различиях в ощущениях» важного инструмента экспериментального дизайна: рандомизации.В эксперименте по способности человека правильно определять, нажимая на один палец, какой из двух слегка различающихся по весу весов был тяжелее, Пирс и его помощник Джозеф Джастроу использовали перетасованную колоду карт, чтобы случайным образом распределить порядок, в котором испытуемые будут испытывать то или иное испытание. увеличение или уменьшение веса в ходе последовательных тестов. Начиная с 1920-х годов Фишер продолжил развитие и популяризацию идей рандомизированных экспериментов в сельском хозяйстве. Проблема сельскохозяйственных исследований заключается в том, что на поле всегда есть неконтролируемые колебания качества почвы (pH, влажность, питательные вещества и т. Д.).). Случайное распределение обработок (удобрения, сорта семян и т. Д.) На разных участках поля обеспечивает надежность эксперимента.

Но только в конце 1940-х годов рандомизированное контролируемое исследование (РКИ) было введено в медицину английским эпидемиологом и статистиком Остином Брэдфорд Хиллом в исследовании лечения стрептомицином туберкулеза легких. РКИ было не только значительным нововведением в медицине; это также помогло вступить в нынешнюю эру практики и политики, основанной на фактах, в широком спектре других областей, таких как образование, психология, криминология и экономика.

В медицине дизайн РКИ состоит в том, что подходящие пациенты, согласившиеся на участие в исследовании, случайным образом распределяются в одну из двух (а иногда и более) групп лечения. Рассмотрим РКИ, в котором экспериментальное лекарство сравнивается с обычным. Все пациенты соответствуют одним и тем же критериям включения в исследование — например, наличие заболевания и возраст от 50 лет и старше — и попадают в ту или иную группу чисто случайно. Таким образом, результаты пациентов, получавших обычное лекарство, могут использоваться в качестве альтернативных контрфактических исходов для пациентов, которые случайно получили экспериментальное лекарство, то есть результаты группы A можно рассматривать как то, что могло бы случиться с группой . B, если группа B получала лечение группы A.Это связано с тем, что известные факторы, такие как пол и возраст, сопоставимы между двумя группами (по крайней мере, в среднем для достаточно большой выборки). Но также сопоставимы любые неизвестные факторы, например, количество упражнений или сна, которое получают пациенты. Ни один из известных или неизвестных факторов не повлиял на то, получал ли пациент обычный или экспериментальный препарат. Таким образом, РКИ дают возможность сделать причинно-следственные выводы в сложных условиях с множеством неизвестных переменных, требуя лишь ограниченных допущений.

Однако РКИ не всегда возможны. Во-первых, их можно использовать только для оценки вмешательств, таких как лекарство, но многие медицинские вопросы касаются диагностики, прогноза и других вопросов, которые не включают сравнение вмешательств. Кроме того, проведение рандомизированных контролируемых испытаний редких заболеваний может оказаться невозможным, поскольку для набора достаточного количества пациентов потребуется слишком много времени, даже в нескольких медицинских центрах. Наконец, было бы неэтично исследовать определенные вопросы с помощью РКИ, например, влияние введения вируса здоровому человеку.Таким образом, в медицине и других областях не всегда возможно провести эксперимент, тем более рандомизированный.

На самом деле, исследования, не связанные с экспериментами (называемые «наблюдательными», чтобы подчеркнуть, что экспериментальные манипуляции не используются), очень распространены. Стало научно признано, что курение вызывает — и не только коррелирует с — раком легких не из-за рандомизированного контролируемого исследования (которое, безусловно, было бы неэтичным), а из-за наблюдательного исследования. Исследование британских врачей, разработанное Ричардом Доллом и Остином Брэдфорд Хиллом, длилось с 1951 по 2001 год, а первые важные результаты были опубликованы еще в 1954 и 1956 годах.С течением времени было опрошено более 34000 британских врачей и их привычки к курению, и результаты ясно показали рост смертности от рака легких по мере увеличения количества выкуриваемого табака и снижение смертности от рака легких у тех, кто раньше бросил курить. Некоторыми другими примерами наблюдательных исследований являются опросы удовлетворенности работой, эпидемиологические исследования воздействия опасных веществ на рабочем месте, некоторые исследования последствий глобального потепления и сравнения потребительских расходов до и после повышения налогов.

Конечно, когда цель состоит в том, чтобы сделать причинно-следственные выводы, а не просто выявить корреляции, обсервационные исследования — поскольку они не рандомизированы — сталкиваются с препятствиями, которых рандомизация призвана избежать, включая искажение и систематическую ошибку отбора. Различные отрасли науки боролись с этими проблемами в соответствии с типами проблем, с которыми обычно сталкиваются в соответствующих дисциплинах. Например, в эконометрике — использовании прикладной математики и статистики при анализе экономических данных — основное внимание уделяется проблеме эндогенности , которая, проще говоря, является корреляцией между двумя частями в модели, которая в идеале не зависела бы от друг друга, проблема, тесно связанная с запутыванием.Защита от таких предубеждений была основным направлением при разработке обсервационных исследований. Одним из фундаментальных ограничений многих сегодняшних чрезвычайно больших баз данных, часто используемых для наблюдательных исследований, является то, что они редко собирались с учетом таких целей или принципов. Например, наивный анализ баз данных, содержащих записи карт лояльности супермаркетов или поведение в социальных сетях, может быть подвержен различным предубеждениям. Уже давно существует интерес к оценке силы связей в социальных сетях, как в «реальном мире», так и в Интернете.Одним из показателей «силы связи» является частота контактов, которая используется, например, при анализе моделей телефонных звонков. Но частота контактов — плохая мера силы связи — случай того, что называется «ошибкой интерпретации». Одним из аспектов этого является то, что во многих случаях мы часто контактируем с людьми, с которыми у нас очень слабые связи, например, при рутинных, но поверхностных взаимодействиях, таких как ежедневный звонок в службу такси.

Из-за опасений по поводу смешения, при анализе наблюдательных исследований традиционно использовались статистические методы для «корректировки» с учетом известных или предполагаемых искажающих факторов.Например, заболеваемость синдромом Дауна связана с очередностью рождения, но возраст матери может мешать, поскольку возраст матери увеличивается с очередностью рождения. Изучая взаимосвязь между синдромом Дауна и очередностью рождения отдельно в группах очередности рождения, известное как «стратифицированный анализ», можно устранить смешивающий эффект материнского возраста. У этого типа подхода есть свои проблемы; даже в случае успеха остается вероятность того, что некоторые искажающие факторы не были включены в корректировку.Эта проблема, известная как «неизмеряемое смешение», в корне ограничивает степень уверенности, с которой можно сделать выводы на основе данных наблюдений.

К сожалению, слишком легко рассматривать корреляции наблюдательных исследований, как если бы они были причинными. Предположим, например, что в определенной группе населения 50 процентов людей доживают до 80 лет. Но среди тех, кто регулярно занимается спортом, эта цифра составляет 70 процентов. Итак, если вы выберете человека случайным образом из всего населения, существует 50-процентная вероятность того, что человек доживет до 80, но если вы выберете только тех, кто регулярно тренируется, вероятность возрастет до 70 процентов.У вас может возникнуть соблазн сказать, что «упражнения увеличивают вероятность того, что человек доживет до 80 лет». Но это причинное утверждение — оно приписывает упражнениям повышенную вероятность — что, строго говоря, не оправдано. Правильнее было бы сказать следующее: «По сравнению с остальным населением, у человека, который занимается спортом, больше шансов дожить до 80 лет». Возможно, что это увеличение на самом деле связано не с физическими упражнениями, а с другими факторами, такими как богатство или диета.

Недостатки наблюдательных исследований часто подчеркиваются, когда юридическая ответственность зависит от вопроса о причинно-следственной связи. Например, во время судебных исков против табачной промышленности в 1990-х годах, связанных с воздействием пассивного курения, свидетели-эксперты часто утверждали, что обсервационные исследования не могут использоваться для демонстрации причинно-следственной связи. В тех случаях, когда эксперимент невозможен или неэтичен, такое отношение может привести к тупику в нашей способности сделать причинное утверждение. Но эксперименты не обязательно являются последним словом о причинно-следственных связях в науке, и наблюдательные исследования не должны молчать.

Причинная связь в двадцатом веке

В течение последних нескольких столетий разрабатывались все более изощренные статистические методы для получения количественных выводов из наблюдений. Однако различие между корреляцией и причинно-следственной связью не всегда проводилось четко, и только в двадцатом веке серьезные попытки сделать причинные выводы из наблюдаемых данных начали всерьез развиваться. Были созданы различные модели и методы, чтобы сделать причинно-следственные выводы возможными — сделать вывод на основе наблюдаемых эффектов о вероятной причине события.

Рис. 1. Вид диаграммы, используемой в путевом анализе. В этом примере, взятом из оригинальной статьи Сьюэлла Райта 1921 года, каждая буква обозначает различные факторы, связанные с потребностями сельскохозяйственных культур в воде. Например, T обозначает температуру, а R обозначает солнечную радиацию (часы солнечного света).

Три разных подхода к причинному выводу возникли в 1920-х годах. В статье 1921 года под названием «Корреляция и причинно-следственная связь», опубликованной в журнале Journal of Agricultural Research , американский генетик Сьюэлл Райт представил метод, известный как «путевой анализ».В сложных системах, включающих множество неконтролируемых и, возможно, некоторых неизвестных коррелированных факторов — например, при изучении веса и здоровья новорожденных животных — этот метод пытается измерить прямое влияние каждой из корреляций и, как объяснил Райт, найти «степень к которому изменение данного эффекта зависит от каждой конкретной причины ». Для этого строятся диаграммы переменных, соединенных стрелками, показывающие различные корреляции внутри системы. (См. Рисунок 1.) На основе этих диаграмм и наблюдаемых корреляций между переменными можно построить системы уравнений. Затем уравнения решаются для «путевых коэффициентов», которые представляют прямое влияние переменных друг на друга.

Впоследствии было разработано обобщение анализа пути, известное как «моделирование структурным уравнением» . Одно из применений этого метода — изучение посредничества, в котором переменная находится на пути между причиной и следствием. Например, стресс может вызвать депрессию, но стресс также может вызвать размышления, которые, в свою очередь, могут вызвать депрессию.Таким образом, руминация является посредником причинного воздействия стресса на депрессию. Тогда мы могли бы задаться вопросом, какая часть воздействия стресса на депрессию опосредована руминацией, то есть какая часть воздействия на непрямой путь между стрессом и депрессией (через руминацию) по сравнению с прямым путем . Ответ может помочь определить, могут ли вмешательства, направленные на руминацию, быть более эффективными в снижении депрессии, чем вмешательства, направленные на стресс.

Второй подход к причинно-следственным выводам возник в 1923 году, когда польский статистик Ежи Нейман представил раннее контрфактическое объяснение причинно-следственной связи в сельскохозяйственных экспериментах.Его методы были ограничены экспериментами, но в 1970-х годах статистиком из Гарварда Дональдом Рубином были распространены на наблюдательные исследования. Причинная модель Рубина была основана на идее «потенциальных результатов» — по сути, контрфактических фактов.

Пример поможет еще раз проиллюстрировать проблему причинно-следственной связи в обсервационных исследованиях, которые мы обсуждали. Рассмотрим пациентов, которые получают лечение A или B и либо выздоравливают, либо нет. Для каждого пациента существует исход лечения А и исход лечения В, но фактически наблюдается только один из этих исходов, а другой — просто потенциальный.Причинный эффект для отдельного пациента — это разница между этими двумя исходами — излечен или нет, в зависимости от лечения. Но поскольку невозможно наблюдать оба из двух потенциальных исходов, то есть конкретный пациент не может одновременно получать лечение и не получать его одновременно, причинный эффект для отдельного человека не может быть оценен. Это называется «фундаментальной проблемой причинного вывода» и на первый взгляд кажется непреодолимым препятствием.Однако, хотя невозможно оценить индивидуальный причинный эффект, возможно — при соблюдении определенных допущений — измерить средний причинный эффект для ряда пациентов.

Если рассматриваемые пациенты были включены в рандомизированное контролируемое исследование, которое прошло без сучка и задоринки (например, ни один из пациентов не выбыл), тогда необходимые предположения легко выполняются. Как обсуждалось ранее, результаты пациентов в двух группах лечения могут служить замещающими потенциальными результатами.

Но предположим, что пациенты не были случайным образом распределены по группам лечения, и что это вместо этого обсервационное исследование. В отличие от РКИ, где пациенты в двух группах, вероятно, будут очень похожи, в наблюдательном исследовании может наблюдаться существенный дисбаланс (по возрасту, полу, благосостоянию и т. Д.) Между группами. Есть несколько способов решить эту проблему с помощью фреймворка Рубина. Иногда дисбаланс между группами может быть устранен с помощью методов сопоставления, которые гарантируют, что эти две группы примерно схожи.Связанный и более сложный метод заключается в оценке для каждого пациента вероятности того, что пациент получит, например, лечение А, с учетом характеристик пациента. Эта оценка, известная как «оценка предрасположенности», впервые была обсуждена в статье 1983 года, соавтором которой является Рубин. Пациенты, которые получали лечение B, затем могут быть сопоставлены с пациентами, которые получали лечение A, но имели аналогичные баллы предрасположенности. Это обеспечивает общую схему получения альтернативных контрфактических выводов, которые делают возможными причинно-следственные выводы.Однако важное предостережение заключается в том, что это работает только в том случае, если доступны все соответствующие переменные — любая из которых может мешать. Например, взаимосвязь между рекламой алкоголя и алкогольным поведением молодежи может быть затруднена из-за неизмеримых факторов, таких как семейный анамнез и влияние сверстников.

Третий подход к причинно-следственным выводам, известный как «анализ инструментальных переменных», был представлен экономистом Филипом Райтом (отцом Сьюэлла Райта) в его книге «« Тарифы на животные и растительные масла »в 1928 году.Его метод широко использовался в области эконометрики, но в последнее время стал применяться и в других областях. В одном из применений этого метода в исследовании 1994 года эффективность лечения сердечных приступов с использованием агрессивных медицинских методов (катетеризация и реваскуляризация) оценивалась на основе данных наблюдений, полученных от группы участников программы Medicare. У тех, кого лечили агрессивно, уровень смертности был намного ниже, чем у тех, кого не лечили. Легко прийти к выводу, что агрессивное лечение снижает уровень смертности.Однако, как поясняется в исследовании, агрессивно леченные пациенты во многом отличались от других — например, они были моложе. И они, возможно, также различались способами, которые измерялись , а не , например, по степени тяжести сердечных приступов. Риск заключается в том, что после корректировки измеряемых переменных, таких как возраст, с использованием такой техники, как сопоставление, измеренные переменные и все еще могут существенно искажать результаты. Если бы пациенты были рандомизированы для получения разных видов лечения, было бы намного проще оценить причинный эффект агрессивного лечения.Но предположим, что можно идентифицировать переменную, которая коррелирует с типом полученного лечения (агрессивное или неагрессивное), не влияет напрямую на результат и вряд ли коррелирует с какими-либо искажающими переменными. Такую «инструментальную переменную» можно использовать для формирования групп пациентов, чтобы характеристики пациентов были одинаковыми для разных групп, за исключением того, что вероятность получения рассматриваемого лечения варьируется между группами. Таким образом, инструментальную переменную можно рассматривать как своего рода естественный рандомизатор.В исследовании сердечного приступа пациенты, которые жили ближе к больницам, предлагавшим агрессивное лечение, с большей вероятностью получали такое лечение. Авторы исследования поняли, что инструментальная переменная может быть основана на расстоянии пациента до такой больницы по сравнению с расстоянием до ближайшей больницы . Ожидается, что эта переменная не повлияет на смертность, кроме как через тип полученного лечения, а также не ожидается, что она повлияет на другие возможные смешивающие переменные.При условии, что эти допущения действительны, подход с использованием инструментальных переменных может преодолеть неизмеряемые искажения и сделать выводы о причинно-следственных связях. В этом случае анализ инструментальных переменных показал, что агрессивное лечение привело к снижению смертности лишь в очень небольшой степени, что резко контрастировало с оценками с использованием более традиционных статистических методов. Исследование показало, что гораздо более важным для снижения смертности было то, что пациенты получали помощь в течение суток после поступления в больницу.

Еще одно применение подхода с использованием инструментальных переменных — это рандомизированные контролируемые испытания с ошибками. Рассмотрим РКИ препарата в форме таблетки с неактивной таблеткой (плацебо) в качестве контроля. Если такое исследование выполнено безупречно, оно дает наилучшую основу для вывода о том, влияет ли препарат на исходы лечения пациентов. Проблема в том, что немногие РКИ проводятся без сучка и задоринки. Распространенные проблемы включают в себя выбывание пациентов из программы или просто отказ от приема всех таблеток, что может внести искажения в результаты.Но даже с этими предубеждениями случайное отнесение к активной таблетке или плацебо можно использовать в качестве инструментальной переменной, которая предсказывает фактически полученное лечение. При соблюдении необходимых допущений можно использовать инструментальный анализ переменных, чтобы дать достоверную оценку эффекта препарата. Таким образом, даже в экспериментальных условиях может потребоваться применение методов причинного вывода, разработанных для наблюдательных исследований.

Каким бы привлекательным ни был подход с использованием инструментальных переменных, он не является панацеей.Некоторые из требуемых ключевых допущений невозможно проверить, и в случае их нарушения могут возникнуть серьезные предубеждения. Однако, несмотря на свои ограничения, подход с использованием инструментальных переменных все же может быть мощным инструментом для причинно-следственных выводов.

Графические методы причинно-следственного вывода

В конце 1980-х годов возродился интерес к совершенствованию методов причинного вывода с помощью диаграмм, подобных тем, которые используются в путевом анализе и моделировании структурных уравнений.Эти новые диаграммы известны как «ориентированные ациклические графы» (DAG) и широко используются в компьютерных науках и эпидемиологии. Графики состоят из узлов (обычно обозначенных кружками), представляющих переменные, соединенных односторонними стрелками, так что ни один путь не ведет от узла обратно к самому себе, что могло бы представлять цикл причинной обратной связи (отсюда «ациклический»). (См. Рис. 2.) Мощные теоремы о DAG доступны благодаря разделу математики, известному как теория графов, который используется для моделирования и анализа отношений в биологических, физических, социальных и информационных системах.

Чтобы определить группу DAG для конкретной проблемы, необходимо иметь некоторое представление о лежащей в основе причинной структуре. Однако эксперты могут не соглашаться по поводу причинно-следственной структуры, и для конкретной проблемы можно рассмотреть несколько различных групп DAG. Причинные выводы, полученные с использованием этого подхода, всегда зависят от конкретных предположений, закодированных в DAG. Например, отсутствие стрелки между двумя узлами указывает на отсутствие прямой причинно-следственной связи между переменными, представленными этими узлами.Такое предположение может вызвать разногласия между экспертами и может оказать решающее влияние на анализ.

До эры DAG использовалось несколько различных подходов для распознавания конфаундеров. С тех пор они оказались ненадежными. Например, некоторые процедуры для определения искажающих факторов на основе ассоциаций между переменными могут не идентифицировать одни искажающие факторы и неверно идентифицировать другие. Этот последний момент имеет решающее значение, потому что корректировка неправильных переменных может вызвать смещение выбора.DAG кодирует всю информацию, необходимую для определения, какие переменные должны быть скорректированы, чтобы удалить мешающие факторы, не вызывая смещения выбора. Однако, за исключением простейших случаев, очень сложно определить с помощью визуального осмотра DAG, какие переменные следует скорректировать; Используя теорию графов, были разработаны алгоритмы, которые отвечают на этот и другие вопросы.

С помощью DAG были выявлены условия, приводящие к смещению и смещению выборки, тем самым решая важный вопрос в анализе данных наблюдений.

Направленные ациклические графы помогли решить другие давние головоломки. Рассмотрите данные наблюдений о связи между определенным лечением и выздоровлением от болезни. Предположим, что пациенты, которые проходят лечение, с большей вероятностью выздоравливают, чем те, кто не лечится. Но когда мы исследуем данные о пациентах мужского и женского пола по отдельности, оказывается, что среди мужчин вероятность выздоровления на человек меньше человек; аналогично, вероятность выздоровления у женщин, прошедших лечение, также на меньше, чем на .Этот поворот — известный как парадокс Симпсона в честь статистика Эдварда Х. Симпсона — может показаться удивительным, но это реальное явление. Такая ситуация может возникнуть, если среди пациентов, получающих лечение, непропорционально много мужчин, и скорость выздоровления у женщин намного ниже, чем у мужчин. Таким образом, в этом случае секс является искажением взаимосвязи между лечением и выздоровлением, и результаты с учетом пола следует использовать для принятия решения об эффективности лечения: лечение бесполезно.

Но парадокс Симпсона имеет еще один удивительный аспект. Предположим, что лечение подозревается в влиянии на артериальное давление, и вместо разбивки данных по полу, разбивка проводится по высокому и низкому артериальному давлению в течение одной недели лечения (или примерно в то же время в группе, не получавшей лечения). Представьте, что данные двух групп — высокого и низкого артериального давления — похожи на данные двух групп с разбивкой по полу в предыдущем сценарии. Как и прежде, вероятность выздоровления у пациентов, проходящих лечение, на больше, чем у тех, кто не лечится, на , однако в обеих подгруппах (высокое и низкое артериальное давление) у пациентов, которые проходят лечение, вероятность выздоровления на меньше .Но в этом случае артериальное давление, в отличие от секса, не мешает взаимосвязи между лечением и выздоровлением, поскольку оно не является общей причиной лечения и выздоровления. В этом сценарии для принятия решений следует использовать общие результаты, а не отдельные результаты.

Парадокс, который сегодня носит имя Симпсона, был впервые выявлен в начале двадцатого века, но Симпсон подробно рассмотрел его в статье 1951 года и отметил, что «разумная» интерпретация данных иногда должна основываться на общих результатах, а иногда по подразделенным данным.Однако анализ Симпсона оставил неясным, каковы общие условия, когда использовать общие результаты, а когда — разбитые данные. Все, что он смог показать, это то, что рассмотрение контекста данных имеет важное значение для их интерпретации. Для решения проблемы не было статистических методов или моделей. В статье 2014 года, опубликованной в журнале The American Statistician , один из самых известных исследователей в этой области, израильско-американский ученый-компьютерщик Джудея Перл, дал ответ на этот давний вопрос.Он показал, что в ситуациях, когда происходит обращение в стиле парадокса Симпсона, если можно указать DAG, методы причинного графа могут определять, когда использовать общие результаты, а когда — подразделенные данные.

Размышляя о вкладе Симпсона, Перл отмечает, что мышление Симпсона было нетрадиционным для его времени: «Идея о том, что статистические данные, какими бы большими они ни были, недостаточны для определения того, что является« разумным », и что они должны быть дополнены дополнительными статистическими знаниями, чтобы сделать смысл считался ересью в 1950-х годах.На причинно-следственные вопросы нельзя ответить, просто применяя статистические методы к данным. В частности, очень важно знание предмета. А с развитием групп DAG и других инструментов у нас теперь есть формальные процедуры, позволяющие использовать предметные знания для решения этих проблем.

Вечная тайна дела

Поскольку применение причинного вывода становится все более распространенным в самых разных областях — не только в информатике и медицине, но также в социологии, экономике, общественном здравоохранении и политологии — уместно рассматривать достижения и ограничения в этой области более подробно. течение почти столетия, прошедшего с тех пор, как Сьюолл Райт внес новаторский вклад в причинный вывод, его анализ пути.Достижения, достигнутые с 1920-х годов, действительно изменили ситуацию, поскольку были разработаны все более изощренные методы решения сложных проблем, особенно в таких областях, как эпидемиология, которые в значительной степени полагаются на данные наблюдений, а не на эксперименты. Большой прогресс был достигнут в распутывании трудностей, связанных с контрфактами, — в поиске способов узнать, что произошло бы, если бы данное вмешательство, такое как лечение, не произошло. Такие инструменты, как рандомизированное контролируемое исследование, стали настолько широко распространенными, что трудно представить наш мир без них.

Между тем, вопросы причинно-следственной связи — что это такое, чем она отличается от корреляции, как наши лучшие статистические методы пытаются ответить на эти вопросы — остаются неясными для большинства, особенно потому, что в новостных сообщениях часто быстро и легко не учитываются причины и следствия. И хотя был достигнут значительный прогресс в интеграции основных подходов к причинному выводу, никакой теории великого единства не возникло. Философы тоже продолжают бороться с причинно-следственной связью как на фундаментальном уровне — например, обсуждают теории причинности и выясняют разницу между причинно-связанными и причинно-несвязанными процессами — так и в конкретных областях, таких как вопрос о свободе воли и о том, мысли и действия вызываются нейрохимически или свободно выбираются.Психологи изучают вопрос о причинной атрибуции — как мы, индивидуумы, выявляем и объясняем причины событий и поведения. Историки стремятся выяснить причины исторических событий. И в нашей личной жизни, и в законе мы часто сталкиваемся с вопросами причинно-следственной связи, личной и юридической ответственности.

Одна из самых больших проблем — сложность причинно-следственных связей, лежащих в основе столь многих явлений: что вызывает сегодняшнюю погоду? Каковы эффекты жестоких видеоигр? Каковы будут результаты повышения налогов? Диаграммы причинно-следственных связей внесли существенный вклад в нашу способность анализировать такие сложные ситуации, но они могут привести к ненадежным выводам, если причинная структура указана неправильно.

Точка зрения Юма остается неизменной: можно непосредственно наблюдать корреляцию, но не причинную связь между одним событием и другим. Причинный вывод зависит не только от имеющихся данных; Обоснованность выводов всегда зависит от предположений — независимо от того, основаны ли они на внешних доказательствах, экспертных знаниях, теории или предположениях. Любопытно, что нынешний ажиотаж по поводу больших данных породил у некоторых людей противоположное мнение. Как пишет Крис Андерсон:

Петабайт позволяют сказать: «Корреляции достаточно.«Мы можем перестать искать модели. Мы можем анализировать данные без гипотез о том, что они могут показать. Мы можем поместить числа в самые большие вычислительные кластеры, которые когда-либо видел мир, и позволить статистическим алгоритмам находить закономерности, в которых наука не может.

Такие грандиозные видения предполагают непонимание границ вычисления методом грубой силы. Хотя можно обнаружить полезные корреляции, применив чистую вычислительную мощность к массивным базам данных, сами по себе корреляции не могут ответить на вопросы об эффективности вмешательств и не могут объяснить лежащие в основе причинные механизмы, знание которых часто имеет решающее значение для принятия решений, что наиболее очевидно, возможно, в медицина, где на карту поставлено наше здоровье и наша жизнь.

Добавить комментарий

Ваш адрес email не будет опубликован.