Kausal inferens: Algoritmen finder årsag og virkning - med kæmpe potentiale

Foto : Bigstock/Yurakrasil

Kausal inferens: Algoritmen finder årsag og virkning - med kæmpe potentiale

Tiden, hvor avanceret statistik kan løse gåder inden for sundhed og fysik, er måske ikke så langt væk. Dagens bud hedder kausal inferens og kan også benyttes til at give kunstig intelligens et spark fremad.
Hvis man står på ski i det flade Danmark – så er der ikke så mange muligheder. Men alligevel kan de tricks, man lærer på en bakke på Bornholm omsættes til viden, som man kan bruge senere hen på den sorte piste i alperne.
Få fuld adgang til DataTech?
DataTech skriver til dig, der arbejder professionelt med data og analytics. Vi giver dig inspirerende cases, nyheder og debat om alt fra Machine Learning-modeller til dataetik.
Prøv DataTech gratis

DataTech giver dig ny viden, cases og erfaringer med at lykkes med AI og data science i praksis. Klik på knappen og få 3 ugers gratis og uforpligtende prøveabonnement.

IDA-medlemmer og PLUS-abonnenter kan gratis låse 6 artikler op om måneden på vores PRO-medier. Log ind for at låse artikler op.

IDA-medlemmer kan desuden vælge mellem fri adgang til DataTech eller Tech Management. Læs mere her.

Klik her
Jonas Peters

Jonas Peters er professor i statistik ved Københavns Universitet. Han er medforfatter til lærebogen 'Elements of Causal Inference', som er open access og kan downloades fra Jonas Peters' hjemmeside. Han har netop modtaget Det Kongelige Danske Videnskabernes Selskabs Sølvmedalje, som er selvskabets årlige pris.

Professor Jonas Peters fra Københavns Universitet
Illustration: DataTech
Hvad er en confounder?

Når vi er interesseret i en virkning fra X til Y, er en skjult ‘confounder’ en variabel, der påvirker både X og Y på samme tid, på en måde som ikke kan blokeres ved hjælp af andre observerede variable. I artiklens eksempel med kost og sundhed, kan ‘sport’ være en skjult confounder, hvis man ikke spørger folk, hvilken sport de udøver og hvor meget.

Do-operatoren

I bogen 'The Book of Why' forklarer den israelsk-amerikanske forsker Judea Pearl, der har været ledende i forskningen inden for kausal inferens, do-operatoren således, med begrebet probability raising:

As strange as it may sound, the notion of probability raising (intuitionen, at kausalitet øger sandsynligheden for et udfald, givet en årsag, red.) cannot be expressed in terms of probabilities. The proper way to rescue the probability-raising idea  is with the do-operator: we can say that X causes Y if

P(Y | do(X)) > P(Y).

This definition can capture the causal interpretation of probability raising, and it can also be made operational through causal diagrams. In other words, if we have a causal diagram and data on hand and a researcher asks whether P(Y | do(X)) > P(Y), we can answer his question coherently and algorithmically and thus decide if X is a cause of Y in the probability-raising sense.