This HTML5 document contains 143 embedded RDF statements represented using HTML+Microdata notation.

The embedded RDF content will be recognized by any processor of HTML5 Microdata.

Namespace Prefixes

PrefixIRI
dctermshttp://purl.org/dc/terms/
yago-reshttp://yago-knowledge.org/resource/
dbohttp://dbpedia.org/ontology/
foafhttp://xmlns.com/foaf/0.1/
dbpedia-kohttp://ko.dbpedia.org/resource/
n25http://webdav.tuebingen.mpg.de/causality/
n26https://global.dbpedia.org/id/
yagohttp://dbpedia.org/class/yago/
n15http://clopinet.com/isabelle/Projects/NIPS2013/
dbthttp://dbpedia.org/resource/Template:
rdfshttp://www.w3.org/2000/01/rdf-schema#
freebasehttp://rdf.freebase.com/ns/
dbpedia-pthttp://pt.dbpedia.org/resource/
dbpedia-plhttp://pl.dbpedia.org/resource/
dbpedia-fihttp://fi.dbpedia.org/resource/
dbpedia-fahttp://fa.dbpedia.org/resource/
rdfhttp://www.w3.org/1999/02/22-rdf-syntax-ns#
n22https://www.hsph.harvard.edu/miguel-hernan/causal-inference-book/
owlhttp://www.w3.org/2002/07/owl#
dbpedia-frhttp://fr.dbpedia.org/resource/
dbpedia-zhhttp://zh.dbpedia.org/resource/
wikipedia-enhttp://en.wikipedia.org/wiki/
dbchttp://dbpedia.org/resource/Category:
dbphttp://dbpedia.org/property/
provhttp://www.w3.org/ns/prov#
xsdhhttp://www.w3.org/2001/XMLSchema#
goldhttp://purl.org/linguistics/gold/
wikidatahttp://www.wikidata.org/entity/
dbpedia-nlhttp://nl.dbpedia.org/resource/
dbrhttp://dbpedia.org/resource/
dbpedia-jahttp://ja.dbpedia.org/resource/

Statements

Subject Item
dbr:Causal_inference
rdf:type
yago:WikicatGraphicalModels yago:Organism100004475 yago:Person100007846 yago:PhysicalEntity100001930 yago:Assistant109815790 yago:LivingThing100004258 yago:Worker109632518 yago:Object100002684 yago:YagoLegalActor yago:YagoLegalActorGeo owl:Thing yago:CausalAgent100007347 dbo:Election yago:Whole100003553 yago:Model110324560
rdfs:label
Inferência causal Inférence causale Wnioskowanie przyczynowe 인과 추론 Causal inference 因果推斷 統計的因果推論 Causale inferentie
rdfs:comment
Causale inferentie is het onderdeel van de econometrie waarin wordt geprobeerd een causaal verband tussen verschillende economische grootheden te vinden door te bestuderen hoe die grootheden ten opzichte van elkaar veranderen, hoe zij van elkaar afhankelijk zijn. Het causale verband wordt daarbij aan de hand van metingen aan macro-economische modellen bepaald, die in de praktijk worden gedaan, bijvoorbeeld door de gevolgen van verschillende maatregelen in twee overeenkomstige situaties met elkaar te vergelijken. De twee beide situaties waaraan wordt gemeten, kunnen gelijktijdig voorkomen, maar op een verschillende plaats, maar ook op dezelfde plaats, maar in de tijd na elkaar. 인과 추론은 더 큰 시스템의 구성 요소인 특정 현상의 독립적이고 실제적인 영향을 결정하는 프로세스이다. 인과 추론과 상관 분석의 주요 차이점은 인과 추론은 결과 변수의 원인이 변경될 때 효과 변수의 응답을 분석한다는 것이다. 일이 일어나는 이유에 대한 과학을 원인학이라고 한다. 인과 추론은 인과 추론에 의해 이론화된 인과 관계의 증거를 제공한다고 한다. 인과 추론은 모든 과학에서 광범위하게 연구된다. 인과관계를 결정하기 위해 고안된 방법론의 개발 및 구현에서 몇 가지 혁신이 최근 수십 년 동안 급증했다. 인과 추론은 실험이 어렵거나 불가능한 경우 특히 어렵다. 이는 대부분의 과학에서 일반적이다. 인과 추론에 대한 접근 방식은 모든 유형의 과학 분야에 광범위하게 적용할 수 있으며 특정 분야를 위해 설계된 많은 인과 추론 방법이 다른 분야에서도 사용되었다. 이 기사에서는 인과 추론의 기본 프로세스를 간략하게 설명하고 다양한 분야에서 사용되는 보다 일반적인 테스트에 대해 자세히 설명한다. 그러나 이것은 이러한 방법이 해당 분야에만 적용되고 단지 해당 분야에서 가장 일반적으로 사용된다는 제안으로 오인되어서는 안 된다. A inferência causal é o processo de determinar o efeito real e independente de um fenômeno particular que é um componente de um sistema maior. A principal diferença entre inferência causal e inferência de associação é que a inferência causal analisa a resposta de uma variável de efeito quando uma causa da variável de efeito é alterada. A ciência de por que as coisas ocorrem é chamada de etiologia. Diz-se que a inferência causal fornece a evidência da causalidade teorizada pelo . 統計的因果推論（とうけいてきいんがすいろん、英: Causal inference in statistics）とは、実験データや観察データから得られた不完全な情報をもとに、事象の因果効果を統計的に推定していくことである。20世紀後半から、ジューディア・パールや、ドナルド・ルービンらによって発展を遂げた。なお、「因果推論(Causal inference)」とのみ言う場合は、統計学に限らず哲学などを含めた、より広範な領域の議論を含むが、統計学、データサイエンス、経済学に関連する文脈で「因果推論」と言われる場合、しばしば「統計的因果推論」の手法に関わるものを指していることが多い。 Wnioskowanie przyczynowe (analiza przyczynowa, ang. causal inference) – zagadnienie m.in. epistemologii i metodologii nauk, obejmujące opis, preskrypcję i stosowanie metod systematycznego odkrywania i badania związków przyczynowych. Analiza przyczynowa ma pozwalać na możliwie rzetelną odpowiedź na pytania postaci: „co by było, gdyby…?” albo „jaką różnicę powoduje…?”. 因果推斷是在一個較大系統內部確定指定現象（因）的實際、獨立效果（果）的過程。因果推斷和相關性推斷的主要區別是前者分析結果變量在其原因變量變化時發生的回應。 研究事物起因的科學則稱作原因論。因果推斷可給出建立的因果關係模型的證據。 因果推斷在所有科學中都得到了廣泛研究。近幾十年來，旨在確定因果關係的方法論中出現了多項創新發展和應用。在許多科學問題中，常常出現難以或不可能進行實驗的情況，這時因果推斷仍然特別困難。 因果推斷廣泛適用於所有類型的科學學科，而且許多針對特定學科設計的因果推斷方法也可應用到其他學科。本文概述了因果推斷的基本步驟，並詳細介紹不同學科中使用的傳統測試方法；這不意味著那些方法只適用於特定學科，這只表示它們是該學科中最常用的。 因果推斷很難執行。科學家就確定因果關係的正確方法存在重大爭論。儘管已有新方法，部分人仍擔心，科學家可能誤將相關性判斷為因果關係，亦可能使用了不正確的統計方法，甚至故意操縱分析結果以獲得統計上顯著的估計值。這種問題在回歸模型，尤其是線性回歸模型的使用上更為明顯。 L'inférence causale est le processus par lequel on peut établir une relation de causalité entre un élément et ses effets. C'est un champ de recherche à la croisée des statistiques, de l'économétrie, de l'épidémiologie, de la méthodologie politique et de l'intelligence artificielle. Causal inference is the process of determining the independent, actual effect of a particular phenomenon that is a component of a larger system. The main difference between causal inference and inference of association is that causal inference analyzes the response of an effect variable when a cause of the effect variable is changed. The science of why things occur is called etiology. Causal inference is said to provide the evidence of causality theorized by causal reasoning.
dcterms:subject
dbc:Causal_inference dbc:Graphical_models dbc:Philosophy_of_statistics dbc:Regression_analysis dbc:Inference dbc:Inductive_reasoning
dbo:wikiPageID
37103476
dbo:wikiPageRevisionID
1100370285
dbo:wikiPageWikiLink
dbr:Personalized_medicine dbr:Granger_causality dbc:Causal_inference dbr:Precision_medicine dbr:Public_health dbr:Spurious_relationship dbr:Instrumental_variables dbr:Multicollinearity dbr:Null_hypothesis dbc:Graphical_models dbr:Pathogenesis dbr:Etiology dbr:Confounding_variable dbr:Confounding dbr:Association_(statistics) dbr:Data_dredging dbr:Risk_factor dbr:Time_series dbr:Donald_Rubin dbr:Epidemiological_method dbr:Epidemiology dbc:Philosophy_of_statistics dbr:Fuzzy_set dbr:Infer dbr:Heterogeneity dbr:Causal_model dbr:Process_tracing dbr:Causal_pie_model dbr:Bayesian_inference dbr:Designing_Social_Inquiry dbr:Molecular_epidemiology dbr:Algorithmic_information_theory dbr:Living_beings dbr:Tissue_(biology) dbr:Molecular_pathological_epidemiology dbr:Molecular_pathology dbr:Transfer_entropy dbr:Partial_least_squares_regression dbc:Regression_analysis dbr:Cause dbr:Causal_analysis dbr:Pathology dbr:Molecular_biology dbr:Rubin_causal_model dbr:Random_variation dbr:Causal_reasoning dbr:Regression_analysis dbr:Economics dbc:Inference dbr:Koch's_postulates dbr:Biomarkers dbr:Correlation_does_not_imply_causation dbr:Structural_equation_modeling dbr:Bradford_Hill_criteria dbr:Political_science dbr:Multivariate_statistics dbr:Statistical_inference dbr:Scientific_method dbc:Inductive_reasoning dbr:Statistical_hypothesis_testing
dbo:wikiPageExternalLink
n15: n22: n25:
owl:sameAs
dbpedia-ja:統計的因果推論 wikidata:Q5054566 dbpedia-ko:인과_추론 dbpedia-fa:استنباط_علیت dbpedia-pl:Wnioskowanie_przyczynowe dbpedia-fr:Inférence_causale freebase:m.0n48l7_ dbpedia-zh:因果推斷 yago-res:Causal_inference n26:4g7DZ dbpedia-nl:Causale_inferentie dbpedia-pt:Inferência_causal dbpedia-fi:Kausaalinen_päättely
dbp:wikiPageUsesTemplate
dbt:Third-party-inline dbt:Commons_category dbt:About dbt:Short_description dbt:Reflist dbt:Citation_needed dbt:When dbt:Use_dmy_dates dbt:Cite_book dbt:Main dbt:Authority_control dbt:Failed_verification dbt:Portal_bar dbt:See
dbp:date
March 2021
dbp:reason
This source is a defense of simple linear models, and does not seem to mention causal inference at all.
dbo:abstract
L'inférence causale est le processus par lequel on peut établir une relation de causalité entre un élément et ses effets. C'est un champ de recherche à la croisée des statistiques, de l'économétrie, de l'épidémiologie, de la méthodologie politique et de l'intelligence artificielle. 因果推斷是在一個較大系統內部確定指定現象（因）的實際、獨立效果（果）的過程。因果推斷和相關性推斷的主要區別是前者分析結果變量在其原因變量變化時發生的回應。 研究事物起因的科學則稱作原因論。因果推斷可給出建立的因果關係模型的證據。 因果推斷在所有科學中都得到了廣泛研究。近幾十年來，旨在確定因果關係的方法論中出現了多項創新發展和應用。在許多科學問題中，常常出現難以或不可能進行實驗的情況，這時因果推斷仍然特別困難。 因果推斷廣泛適用於所有類型的科學學科，而且許多針對特定學科設計的因果推斷方法也可應用到其他學科。本文概述了因果推斷的基本步驟，並詳細介紹不同學科中使用的傳統測試方法；這不意味著那些方法只適用於特定學科，這只表示它們是該學科中最常用的。 因果推斷很難執行。科學家就確定因果關係的正確方法存在重大爭論。儘管已有新方法，部分人仍擔心，科學家可能誤將相關性判斷為因果關係，亦可能使用了不正確的統計方法，甚至故意操縱分析結果以獲得統計上顯著的估計值。這種問題在回歸模型，尤其是線性回歸模型的使用上更為明顯。 인과 추론은 더 큰 시스템의 구성 요소인 특정 현상의 독립적이고 실제적인 영향을 결정하는 프로세스이다. 인과 추론과 상관 분석의 주요 차이점은 인과 추론은 결과 변수의 원인이 변경될 때 효과 변수의 응답을 분석한다는 것이다. 일이 일어나는 이유에 대한 과학을 원인학이라고 한다. 인과 추론은 인과 추론에 의해 이론화된 인과 관계의 증거를 제공한다고 한다. 인과 추론은 모든 과학에서 광범위하게 연구된다. 인과관계를 결정하기 위해 고안된 방법론의 개발 및 구현에서 몇 가지 혁신이 최근 수십 년 동안 급증했다. 인과 추론은 실험이 어렵거나 불가능한 경우 특히 어렵다. 이는 대부분의 과학에서 일반적이다. 인과 추론에 대한 접근 방식은 모든 유형의 과학 분야에 광범위하게 적용할 수 있으며 특정 분야를 위해 설계된 많은 인과 추론 방법이 다른 분야에서도 사용되었다. 이 기사에서는 인과 추론의 기본 프로세스를 간략하게 설명하고 다양한 분야에서 사용되는 보다 일반적인 테스트에 대해 자세히 설명한다. 그러나 이것은 이러한 방법이 해당 분야에만 적용되고 단지 해당 분야에서 가장 일반적으로 사용된다는 제안으로 오인되어서는 안 된다. 인과관계 추론은 수행하기 어렵고 인과관계를 결정하는 적절한 방법에 대해 과학자들 사이에 상당한 논쟁이 있다. 다른 혁신에도 불구하고 과학자들이 상관적 결과를 인과로 잘못 귀인하고, 과학자들이 부정확한 방법론을 사용하고, 과학자들이 통계적으로 유의미한 추정치를 얻기 위해 분석 결과를 의도적으로 조작하는 것에 대한 우려가 남아 있다. 회귀 모델, 특히 선형 회귀 모델의 사용에서 특히 우려가 제기된다. 統計的因果推論（とうけいてきいんがすいろん、英: Causal inference in statistics）とは、実験データや観察データから得られた不完全な情報をもとに、事象の因果効果を統計的に推定していくことである。20世紀後半から、ジューディア・パールや、ドナルド・ルービンらによって発展を遂げた。なお、「因果推論(Causal inference)」とのみ言う場合は、統計学に限らず哲学などを含めた、より広範な領域の議論を含むが、統計学、データサイエンス、経済学に関連する文脈で「因果推論」と言われる場合、しばしば「統計的因果推論」の手法に関わるものを指していることが多い。 Causal inference is the process of determining the independent, actual effect of a particular phenomenon that is a component of a larger system. The main difference between causal inference and inference of association is that causal inference analyzes the response of an effect variable when a cause of the effect variable is changed. The science of why things occur is called etiology. Causal inference is said to provide the evidence of causality theorized by causal reasoning. Causal inference is widely studied across all sciences. Several innovations in the development and implementation of methodology designed to determine causality have proliferated in recent decades. Causal inference remains especially difficult where experimentation is difficult or impossible, which is common throughout most sciences. The approaches to causal inference are broadly applicable across all types of scientific disciplines, and many methods of causal inference that were designed for certain disciplines have found use in other disciplines. This article outlines the basic process behind causal inference and details some of the more conventional tests used across different disciplines; however, this should not be mistaken as a suggestion that these methods apply only to those disciplines, merely that they are the most commonly used in that discipline. Causal inference is difficult to perform and there is significant debate amongst scientists about the proper way to determine causality. Despite other innovations, there remain concerns of misattribution by scientists of correlative results as causal, of the usage of incorrect methodologies by scientists, and of deliberate manipulation by scientists of analytical results in order to obtain statistically significant estimates. Particular concern is raised in the use of regression models, especially linear regression models. A inferência causal é o processo de determinar o efeito real e independente de um fenômeno particular que é um componente de um sistema maior. A principal diferença entre inferência causal e inferência de associação é que a inferência causal analisa a resposta de uma variável de efeito quando uma causa da variável de efeito é alterada. A ciência de por que as coisas ocorrem é chamada de etiologia. Diz-se que a inferência causal fornece a evidência da causalidade teorizada pelo . A inferência causal é amplamente estudada em todas as ciências. Várias inovações no desenvolvimento e implementação de metodologias destinadas a determinar a causalidade proliferaram nas últimas décadas. A inferência causal permanece especialmente difícil onde a experimentação é difícil ou impossível, o que é comum na maioria das ciências. Causale inferentie is het onderdeel van de econometrie waarin wordt geprobeerd een causaal verband tussen verschillende economische grootheden te vinden door te bestuderen hoe die grootheden ten opzichte van elkaar veranderen, hoe zij van elkaar afhankelijk zijn. Het causale verband wordt daarbij aan de hand van metingen aan macro-economische modellen bepaald, die in de praktijk worden gedaan, bijvoorbeeld door de gevolgen van verschillende maatregelen in twee overeenkomstige situaties met elkaar te vergelijken. De twee beide situaties waaraan wordt gemeten, kunnen gelijktijdig voorkomen, maar op een verschillende plaats, maar ook op dezelfde plaats, maar in de tijd na elkaar. Guido Imbens, Joshua Angrist en David Card kregen in 2021 de Prijs van de Zweedse Rijksbank voor economie toegekend voor hun werk aan causale inferentie, Guido Imbens en Joshua Angrist voor hun methodologische bijdrage aan de analyse van causale inferentie, David Card voor zijn empirische bijdragen aan de arbeidseconomie. Wnioskowanie przyczynowe (analiza przyczynowa, ang. causal inference) – zagadnienie m.in. epistemologii i metodologii nauk, obejmujące opis, preskrypcję i stosowanie metod systematycznego odkrywania i badania związków przyczynowych. Analiza przyczynowa ma pozwalać na możliwie rzetelną odpowiedź na pytania postaci: „co by było, gdyby…?” albo „jaką różnicę powoduje…?”. Nie sprowadza się do wnioskowania statystycznego opartego o obserwacje ze statycznej sytuacji. Różne związki przyczynowe mogą objawiać się takimi samymi wzorami korelacji – do czego odwołują się aforyzmy typu „korelacja to nie przyczynowość”, i co grozi błędem logicznym post hoc. Wnioskowanie przyczynowe wymaga dodatkowego, specyficznego modelowania, a najlepszą podstawę stanowią dla niego obserwacje ze zmian sytuacji – zwłaszcza realizowanych w zamierzenie losowy sposób (warunkowo niezależnie od zmiennych zakłócających), tak jak w randomizowanym eksperymencie naukowym. Współcześnie wnioskowanie przyczynowe rozwija się od lat 1970–1990 w parze z cybernetyką i wnioskowaniem statystycznym, i jest rozumiane jako proces tworzenia alternatywnych probabilistycznych modeli przyczynowych badanych zjawisk, i dokonywania pomiędzy nimi wyboru, w oparciu o konfrontowanie ich przewidywań z obserwacjami empirycznymi. Wśród głównych podejść do zagadnienia ważną rolę odgrywa model Neymana-Rubina (potencjalnych rezultatów), modele równań strukturalnych, i model Pearla (sieci bayesowskie).
gold:hypernym
dbr:Process
prov:wasDerivedFrom
wikipedia-en:Causal_inference?oldid=1100370285&ns=0
dbo:wikiPageLength
36624
foaf:isPrimaryTopicOf
wikipedia-en:Causal_inference