Computational causal discovery: advantages and assumptions

• Autores: Kun Zhang
• Localización: Theoria: an international journal for theory, history and foundations of science, ISSN 0495-4548, Vol. 37, Nº 1, 2022 (Ejemplar dedicado a: James Woodward. Causal and explanatory asymmetries), págs. 75-86
• Idioma: inglés
• Títulos paralelos:
  • Descubrimiento causal computacional: ventajas y asunciones
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    Quiero dar la enhorabuena a James Woodward por “Flagpoles anyone?” (Woodward, 2022), una contribución que supone un nuevo hito tras la publicación de Making things happen: A theory of causal explanation (Woodward, 2003). Making things happen ofrece una elegante teoría intervencionista para entender la explicación y la causación. Esta nueva contribución (Woodard, 2022) se apoya en esa teoría y da grandes pasos hacia la inferencia empírica de relaciones causales a partir de datos no experimentales. En este artículo, me centro en algunos métodos computacionales emergentes para encontrar relaciones causales a partr de evidencia no experimental y trato de complementar la contribución de Woodward discutiendo: 1) cómo estos métodos se conectan con la teoría intervencionista de la causalidad; 2) cómo de informativos son los resultados de estos métodos, incluyendo si producen gráficos causales dirigidos y cómo tratan los confusores (causas no medidas comunes a dos variables medidas); y 3) las asunciones subyacentes a la corrección asintótica de los resultados de estos métodos de descubrimiento causal. Diferentes métodos pueden basarse en aspectos diferentes de a distribución conjunta de los datos . Esta discusión pretende dar una explicación técnica de tales asunciones.

  • English

    I would like to congratulate James Woodward for another landmark accomplishment, after publishing his Making things happen: A theory of causal explanation (Woodward, 2003). Making things happen gives an elegant interventionist theory for understanding explanation and causation. The new contribution (Woodward, 2022) relies on that theory and further makes a big step towards empirical inference of causal relations from non-experimental data. In this paper, I will focus on some of the emerging computational methods for finding causal relations from non-experimental data and attempt to complement Woodward's contribution with discussions on 1) how these methods are connected to the interventionist theory of causality, 2) how informative the output of the methods is, including whether they output directed causal graphs and how they deal with confounders (unmeasured common causes of two measured variables), and 3) the assumptions underlying the asymptotic correctness of the output of the methods about causal relations. Different causal discovery methods may rely on different aspects of the joint distribution of the data, and this discussion aims to provide a technical account of the assumptions.