Judea Pearl 对 Michael Jordan 发表言论不是所有随机对照实验都适用于游戏的
Judea Pearl 对 Michael Jordan 的论文表示异议:不是所有随机对照实验都适用于游戏的「反事实」测试
最近,一篇研究文中提及“反事实”的因果推断论文在社交媒体上被转发后,遭到了 Judea Pearl 的批评。该论文由加州大学伯克利分校的 Michael Jordan 教授作为第一作者,探讨了一种构造算法(constructive algorithm),聚焦于因果推理泛函,并通过有限差分逼近统计泛函的 Gateaux 导数。
ar-tiste 贴文评论称,Michael Jordan 教授用贝叶斯网络而不是 SCM 来做反事实,所以他认为可以在不用 SCM 的情况下做第三梯级(即反事实)的推理计算。然而,Pearl 认为:任何声称使用贝叶斯网络(Rung-2)进行反事实计算的人都应该受到质疑,因为根据他的著作《Causality: models, reasoning, and inference》中的示例,这并不符合正确的因果阶梯。
一位研究因果的俄罗斯研究员指出,反事实涉及的是类似于“如果治疗方案不同,结果有多大可能不同?”的问题。所以,这篇论文并不是在做反事fact 计算,而是关注了第二阶梯,即干预效应和干预平均值。
ar-tiste 回应说,他并没有宣称 SCM 是错误的,而是认为 SCM 是一个特例,如果做一个 bnet 的全概率分布的 FUNCTIONAL Taylor 级数,那么该扩展中的主导项就是 SCM。他认为,这也正是 Jordan 这篇论文的目的,是关于泛函导数。这篇论文并非一篇关于变分推理(VI)的论文。
Pearl 引用了他早在 2014 年写的一篇博客“On the First Law of Causal Inference”,文中他提到,因果分析的现代工具并不是新事物,而是从 SEM 框架有机继承而来的,因此人们可以利用 SEM 的研究来使因果分析更有效。
最后,Angela Zhou 终于出面回应 Pearl :“是的,这篇论文只关注了第二阶梯(干预效应、干预平均值),而根本没有对第三阶梯(反事fact)发表任何观点”。
然而,不同的声音仍然存在,有人认为,在潜在结果语境下,干预量和反事fact 量没有区别,所以即使文中多次出现“反 事fact”一词,实际上这份文章本身也可能不涉及 Rung-3。而 ar-tiste 认为,此举似乎暗示了在 Pearl 和潜 在结果两派眼中,“ 反 事fact”的定义不同,但二者都是将 Y(0) 和 Y(1) 定义为 反 事fact 变量。