Думай «почему?». Причина и следствие как ключ к мышлению - читать онлайн книгу. Автор: Джудиа Перл, Дана Маккензи cтр.№ 103

Углубляясь в свою древнюю историю, я должен поблагодарить Джозефа Хермони, доктора Шимшона Ланге, профессора Франца Оллендорфа и других преданных своему делу учителей естественных наук, которые вдохновляли меня от начальной школы до колледжа. Они привили многим из нас, израильтян первого поколения, чувство миссии и исторической ответственности за проведение научных исследований как самой благородной и увлекательной задачи человечества.

Эта книга так и осталась бы пережитком принятия желаемого за действительное, если бы не мой соавтор Дана Маккензи, которая серьезно отнесся к моим желаниям и воплотил их в реальность. Он не только исправил мой иностранный акцент, но и повел меня в далекие страны, от кораблей военно-морского флота капитана Джеймса Линда до антарктической экспедиции капитана Роберта Скотта, добавив знания, истории, структуру и ясность к беспорядку математических уравнений, которые ожидали упорядочивающего повествования.

Я в большом долгу перед сотрудниками Лаборатории когнитивных систем Калифорнийского университета в Лос-Анджелесе, чьи работы и идеи за последние три с половиной десятилетия легли в научную основу этой книги: Алексом Балком, Элиасом Барейнбоймом, Блаем Бонетом, Карло Брито, Авином Ченом, Брайантом Ченом, Дэвидом Чикерингом, Аднаном Дарвичем, Риной Дехтер., Эндрю Форни, Дэвид Галлес, Гектор Геффнер, Дэн Гейгер, Мойзес Голдшмидт, Дэвид Хекерман, Марк Хопкинс, Джин Ким, Манабу Куроки, Трент Кионо, Картика Мохан, Азария Паз, Джордж Ребане, Илья Шпицер, Джин Тянь и Томас Верма. Финансирующие агентства получают ритуальную благодарность в научных публикациях, но слишком мало реального признания, учитывая их решающую роль в распознавании зародышей идей до того, как они станут модными. Я должен отметить постоянную и неизменную поддержку Национального научного фонда и Управления военно-морских исследований в рамках программы машинного обучения и разведки, возглавляемой Бехзадом Камгар-Парси.

Мы с Даной хотели бы поблагодарить нашего агента Джона Брокмана, который своевременно поддержал нас и воспользовался своим профессиональным опытом. Наш редактор Basic Books Ти Джей Келлехер задал нам правильные вопросы и убедил Basic Books в том, что такую амбициозную историю невозможно рассказать на 200 страницах. Наши иллюстраторы, Мааян Харел и Дакота Харр, сумели справиться с нашими иногда противоречивыми инструкциями и воплотили абстрактные сюжеты в жизнь с юмором и красотой. Каору Малвихилл из Калифорнийского университета в Лос-Анджелесе заслуживает большой похвалы за проверку нескольких версий рукописи и иллюстрации множества графиков и диаграмм. Дана будет вечно благодарен Джону Уилксу, который основал Программу научных коммуникаций в Калифорнийском университете Санта-Крус, которая до сих пор набирает обороты и является наилучшим возможным путем к карьере научного писателя. Дана также хотел бы поблагодарить свою жену Кей, которая поощряла его следовать своей детской мечте стать писателем, даже когда это означало поднять ставки, пересечь страну и начать все сначала.

Наконец, я в глубочайшем долгу перед своей семьей за их терпение, понимание и поддержку. Особенно моей жене Рут, моему моральному компасу, за ее бесконечную любовь и муд-рость. Моему покойному сыну Дэнни за то, что он показал мне молчаливую дерзость истины. Моим дочерям Тамаре и Мишель за то, что они поверили моему многолетнему обещанию, что книга в конце концов будет готова. И моим внукам, Леоре, Тори, Адаму, Ари и Эвану, за то, что они придавали смысл моим долгим путешествиям и всегда разрешали мои вопросы “почему”.

Students are never allowed: With possibly one exception: if we have performed a randomized controlled trial, as discussed in Chapter 4.

Then the opposite is true: In other words, when evaluating an intervention in a causal model, we make the minimum changes possible to enforce its immediate effect. So we “break” the model where it comes to A but not B.

We should thank the language: I should also mention here that counterfactuals allow us to talk about causality in individual cases: What would have happened to Mr. Smith, who was not vaccinated and died of smallpox, if he had been vaccinated? Such questions, the backbone of personalized medicine, cannot be answered from rung-two information.

Yet we can answer: To be more precise, in geometry, undefined terms like “point” and “line” are primitives. The primitive in causal inference is the relation of “listening to,” indicated by an arrow.

And now the algebraic magic: For anyone who takes the trouble to read Wright’s paper, let me warn you that he does not compute his path coefficients in grams per day. He computes them in “standard units” and then converts to grams per day at the end.

“Cigarette smoking is causally related”: The evidence for women was less clear at that time, primarily because women had smoked much less than men in the early decades of the century.

And Abraham drew near: As before, I have used the King James translation but made small changes to align it more closely with the Hebrew.

The ease and familiarity of such: The 2013 Joint Statistical Meetings dedicated a whole session to the topic “Causal Inference as a Missing Data Problem”—Rubin’s traditional mantra. One provocative paper at that session was titled “What Is Not a Missing Data Problem?” This title sums up my thoughts precisely.

This difference in commitment: Readers who are seeing this distinction for the first time should not feel alone; there are well over 100,000 regression analysts in the United States who are confused by this very issue, together with most authors of statistical textbooks. Things will only change when readers of this book take those authors to task.

Unfortunately, Rubin does not consider: “Pearl’s work is clearly interesting, and many researchers find his arguments that path diagrams are a natural and convenient way to express assumptions about causal structures appealing. In our own work, perhaps influenced by the type of examples arising in social and medical sciences, we have not found this approach to aid the drawing of causal inferences” (Imbens and Rubin 2013, p. 25).

One obstacle I faced was cyclic models: These are models with arrows that form a loop. I have avoided discussing them in this book, but such models are quite important in economics, for example.

Even today modern-day economists: Between 1995 and 1998, I presented the following toy puzzle to hundreds of econometrics students and faculty across the United States:

Consider the classical supply-and-demand equations that every economics student solves in Economics 101.