dingpeng
[未知用户] 图模型算是一种causality的理论，怎么进行统计推断，那是另外一回事。
mwfycos
[未知用户] 你来干什么
yangli
不错~! 学习了
yuxi
这个学期就在上judea pearl的课，用很多时间才理解DAG里的一些定义
yangli
Figure 1里面，是不是{X3,X4}或者{X4,X5}都可以作为backdoor的Z?
pengding
[未知用户] 是的。
yangli
[未知用户] 应用前门准则和后门准则都需要causal graph是已知而且确定的，这在现实问题中如何处理？是否要先根据expertise假设一个图，或者还是需要从data中估计出图来？
pengding
[未知用户] 是的。这也是困难的所在。
zjjbye
似乎有笔误：
...在前门路径的 DAG 中，我们有：（1）X 对 Z 的因果作用可识别，因为 Y 阻断了它们之间的后门路径..（应该是U阻断了它们的后门路径吧？）
...（3）X 对 Z 的作用，仅仅通过 Y 而产生...（应为X对Y的作用仅通过Z产生？）
pengding
修正了。
fenger
figure 1下面的联合分布的那个公式貌似写错了吧？P（X_2）,以及P(X_i|X_3,X_4)
dingpeng
[未知用户] 多谢。已改。
奇异果
有两组连续变量X和Y，比较适合用哪种方法计算X是因Y是果 or X是果Y是因？
vermouth-1454077502
你好，想向你请教个问题，do算子的干预到底表示的是什么？如果两个变量之间有因果关系，则观测的概率和干预的概率相等。其中观测的概率表示实际情况中测量得出的，那么干预的概率是怎样得出的？比如人工干预性别，那么是男或者是女的概率各是50%，是这个意思吗？如果是这样，那么有些问题的干预概率无法这样算出，比如感冒可能引发上呼吸道感染，如果我干预感冒，那么在干预感冒的情况下上呼吸道感染的概率如何获得呢？谢谢啦~~
Xavier Fan
一个小遗漏，figure 1 的例子，X2前少了个P ^^
turnR4w
tctcab
turnR4w
