Ero sivun ”Kausaliteetti” versioiden välillä
| [arvioimaton versio] | [arvioimaton versio] |
Poistettu sisältö Lisätty sisältö
Ei muokkausyhteenvetoa |
|||
Rivi 1:
'''Kausaliteetti''' ([[latina|lat.]] ''causalitas'' < ''causa'' 'syy') on syy–seuraussuhde eli kahden [[tapahtuma]]n suhde, jossa toinen aiheuttaa toisen. Toinen tapahtuma on tällöin syy ja toinen seuraus. Syy esiintyy ennen seurausta.
Kausaliteetin käsitettä on pohdittu paljon tunnettujen filosofien toimesta [[Aristoteles|Aristoteleesta]] lähtien. Aristoteles määrittää teoksessaan [[Metafysiikka]] neljä syytä, joihin kaikki eri syyt voitaisiin luokitella: materiaalinen, formaalinen, aikaansaava, päämääräsyy. Näistä tieteellisessä keskustelussa kiinnostavin on aikaansaava syy, eli se syy mistä muutos saa alkunsa.
[[Hume|Humen]] filosofian mukaan kausaatio on vain suhde havaittujen tapahtumien välillä, mutta empiirisesti ei voida varmentaa, että toinen tapahtuma (syy) aiheuttaisi toisen (seuraus). Sen sijaan voidaan tutkia seuraako havaittu tapahtuma (seuraus) säännöllisesti toista havaittua tapahtumaa (syy). Humen analyysi tunnisti kolme kriteeriä sille onko kyseessä syy-seuraussuhde. Spatiaallinen/ajallinen jatkuvuus, ajallinen järjestys ja yhteyden vakioisuus. Humen empiiristä ajattelutapaa käytti lähtökohtanaan [[Patrick Suppes]], joka käsitteli todennäköisyysteoriaa kausaalisuudelle. Suppesin teorian mukaan tapahtuma on syy toiselle tapahtumalle, jos ensimmäisen tapahtuman esiintymistä seuraa suurella todennäköisyydellä toisen tapahtuman esiintyminen, eikä ole kolmatta tapahtumaa joka selittää kahden ensimmäisen tapahtuman suhteen.
<ref name=rubin></ref>
==Korrelaatiosta ei seuraa kausaliteetti==
[[Korrelaatio]] kertoo määritelmänsä mukaan kahden muuttujan välisestä riippuvuudesta. Vaikka kahden muuttujan arvot ovat yhteydessä toisiinsa, niin pelkän havaitun [[assosiaatio|assosiaation]] perusteella ei voida tehdä päätelmiä kausaalisuudesta. Havaitun assosiaation taustalla saattaa havaitsematon muuttuja, sekoittava tekijä, joka vaikuttaa molempiin muuttujiin. Esimerkkinä voidaan käyttää jäätelön myynnin ja hukkumiskuolemien välistä assosiaatiota, jossa sekoittavana tekijänä on ilman lämpötila. Jäätelön myynnin ja hukkumiskuolemien määrän välillä saattaa olla voimakastakin korrelaatiota, mutta kausaalipäätelmät olisivat virheellisiä, ainakin ilman huolellista muiden tekijöiden huomioimista.
==Assosiaatio vai kausaalisuhde==
Korrelaatiosta ei seuraa välttämättä kausaalisuutta, mutta kuitenkin tutkimusasetelman tarkoituksena on usein tehdä päätelmiä nimenomaan tapahtuminen kausaalisuhteista. Usein kun riittävää ennakkotietoa ei ole, ollaan riippuvaisia havainnoista ja havaituista assosiaatioista tapahtumien välillä. Sir [[Austin Bradford Hill]] on esittänyt seuraavat kriteerit, joiden avulla voidaan arvioida voiko havaittu assosiaatio johtua kausaalisuudesta. Annetut kriteerit eivät ole välttämättömiä ehtoja kausaalisuudelle vaan niiden tarkoitus on auttaa hahmottamaan missä tilanteissa assosiaatio voisi johtua kausaalisuudesta. <ref name=BradfordHill>{{Verkkoviite | Osoite= http://www.edwardtufte.com/tufte/hill |Nimeke = The Environment and Disease: Association or Causation? | Tekijä =Austin Bradford Hill | Julkaisija = Proceedings of the Royal Society of Medicine, 58 (1965), 295-300 | Kieli ={{en}} }}</ref>
# Assosiaation voimakkuus - mitä voimakkaampi korrelaatio, sitä luultavimmin taustalla on kausaaliyhteys
# Konsistenssi - samanlaisia tuloksia muissa riippumattomissa tutkimuksissa
# Spesifisyys
# Ajallinen suhde - syyn tulee edeltää seurausta
# Annos-vaste - altistusta kasvattamalla, vaste muuttuu
# Uskottavuus - kausaalisuus on biologisesti uskottava eli sen voi selittää biologisella periaatteella
# Johdonmukaisuus - epäilty kausaalisuhde ei ole ristiriidassa tunnetun tietämyksen kanssa
# Kokeellinen näyttö - joissakin tapauksissa on mahdollista saada kokeellista näyttöä kausaalisuuden puolesta
# Analogia - samantapaisia kausaaliyhteyksiä tunnetaan ennalta
==Rubinin kausaalimalli<ref name=rubin>{{Verkkoviite | Osoite= http://www.nyu.edu/classes/shrout/G89-2247/statisticscausal.pdf |Nimeke =Statistics and Causal Inference | Tekijä = Paul W. Holland | Julkaisija = Journal of American Statistical Association, December 1986, Vol 81, No 396, Theory and Methods | Kieli ={{en}} }}</ref>==
Oletetaan että populaatio koostuu yksilöistä <math>u</math>. Yksilöille suoritettavia mahdollisia käsittelyjä S on kaksi: kontrolliryhmä <math> (S=c) </math> ja käsittelyryhmä <math> (S=t) </math>. Kokeellisessa tutkimuksessa tutkija voi kontrolloida kumpaan ryhmään kukin yksilö joutuu, havainnoivassa tutkimuksessa ryhmä määräytyy muista, ulkopuolisista tekijöistä. Rubinin kausaalimallissa oleellista on, että jokainen yksilö voidaan altistaa mille tahansa käsittelylle. Tai siis arvo <math>S(u) </math> olisi voinut olla erilainen jokaiselle yksilölle <math>u</math>.
Vastemuuttujan tehtävä on mitata valitun käsittelyn vaikutusta. Potentiaalisia vasteita on kaksi, <math>Y_t</math> ja <math>Y_c</math>, riippuen käsittelystä <math>S</math>. Merkitään yksilön <math>u</math> potentiaalisia vasteita <math>Y_t(u)</math> ja <math>Y_c(u)</math>, missä <math>Y_t(u)</math> on vaste, joka olisi havaittu, jos yksilö u olisi altistettu käsittelylle t. Vastaavasti Y<sub>c</sub>(u) on arvo, joka olisi havaittu samalta yksilöltä u, jos se olisi altistunut käsittelylle c. Yksilöltä havaitaan kuitenkin vain toinen potentiaalisista vasteista, havaitsematonta vastetta kutsutaan kontrafaktuaaliksi.
Käsittelyn t kausaalivaikutus suhteessa kontrolliin c yksilölle u on erotus <math>Y_t(u) - Y_c(u)</math>.
===Kausaalipäättelyn perusongelma===
Erotusta <math>Y_t(u) - Y_c(u)</math> ei voida sellaisenaan käyttää kausaalivaikutuksen laskemiseksi, koska molempia arvoista <math> Y_t(u) </math> ja <math>Y_c(u)</math> ei voida havaita. Samalta yksilöltä on mahdoton mitata molempia vasteita. Ongelmalle voidaan esittää kaksi yleistä ratkaisua.
Tieteellinen ratkaisu on olettaa ajallinen stabiilius, jolloin vaste ei riipu käsittelyn ajankohdasta tai aiemmista käsittelyistä. Tällöin voidaan mitata sekä <math> Y_t(u) </math> että <math>Y_c(u)</math> yksilöltä u. Toinen vaihtoehto on olettaa yksilöiden homogeenisuus, jolloin kausaalivaikutus voidaan laskea erotuksena <math> Y_t(u_1) - Y_c(u_2)</math> kahden eri yksilön vasteita käyttäen.
Tilastotieteellisessä ratkaisussa tarkastellaan keskimääräistä kausaalivaikutusta <math> T = E(Y_t - Y_c) = E(Y_t) - E(Y_c) </math>. Kuitenkaan yleisesti yhtäsuuruus <math> E(Y_t) = E(Y_t|S=t) </math> ei päde. Tai siis koko populaatiosta laskettu keskiarvo poikkeaa keskiarvosta, joka lasketaan käsittelyyn t joutuneiden yksilöiden yli. Yhtäsuuruus pätee, jos yksilöt on jaettu satunnaisesti käsittelyryhmiin, mikä voidaan varmistaa ainakin kokeellisessa tutkimuksessa. Tällöin prima facie kausaalivaikutuksella
<math> T_{PF} = E(Y_t|S=t) - E(Y_c|S=c) </math> voidaan estimoida kiinnostavaa kausaalivaikutusta T.
==Pearlin kausaalimalli==
Tilastotietelijät ovat perinteisesti varovaisia tekemään päätelmiä kausaalisuudesta. Kuitenkin esimerkiksi terveys-, sosiaali- ja käyttäytymistieteissä ollaan kiinnostunteita nimenomaan kausaalisuhteista, eikä pelkästään havaitusta assosiaatiosta. Kausaalipäätemiä varten tarvitaan aina ulkopuolista tietämystä, eikä niitä voi tehdä pelkästään kerätyn datan avulla, mikä osaltaan selittää varovaisuutta tehdä päätelmiä kausaalisuudesta. Hyvin toteutetussa satunnaistetussa tutkimusasetelmassa kausaliteetista tehtävät päätelmät ovat valideja. Aina tälläista tutkimusasetelmaa ei voida toteuttaa. Esimerkiksi tupakoinnin ja keuhkosyövän yhteyttä ei ole eettisistä syistä mahdollista tutkia näin. Judea Pearlin esittelemän kausaalimallin puitteissa voidaan kausaalilaskennan sääntöjä käyttäen poistaa tarve kokeelliselle interventiolle. Pearlin määrittelemässä kausaalilaskennassa keskeisessä osassa on do()-operaattori. Merkintä do(X) tarkoittaa, että muuttujan X arvo on kiinnitetty eli siihen on kohdistettu toiminto, jota kutsutaan myös interventioksi. <ref name=pearl>{{Verkkoviite | Osoite=http://ftp.cs.ucla.edu/pub/stat_ser/r350.pdf |Nimeke =Causal inference in statistics: An overview | Tekijä = Judea Pearl | Julkaisija =Statistics Surveys, Vol 3 (2009) s.96-146 | Kieli ={{en}} }}</ref>
Pearlin kausaalimallissa muuttujat ovat samanarvoisia sen suhteen mikä voi olla syy. Perinteisesti syyksi on kelpuutettu vain muuttujat, joiden arvoja voidaan kontrolloida. Rubinin kausaalimallin yhteydessä on Hollandin artikkelissa on käytetty mottoa "No causation without manipulation" selventämään tätä filosofiaa. <ref name = rubin> </ref>
Pearlin kausaalimalllin kokoaminen lähtee kausaalirakenteen tarkasta määrittelystä graafiteorian avulla. Kausaalirakenne kertoo yksinkertaisesti muuttujien välisistä kausaalivaikutuksista. Graafissa jokainen solmu vastaa muuttujaa ja solmujen välille piirrettävät nuolet, särmät, kertovat kausaaliyhteyden suunnan. Rakenteelle on vaatimuksena mm. se että kausaalirakenteen on muodostettava suunnattu silmukaton graafi. Yksinkertaisestti tämä tarkoittaa että kausaalivaikutuksilla on oltava suunta (muuttuja X vaikuttaa muuttujaan Y) ja lisäksi rakenteessa ei saa olla silmukoita. Esimerkiksi graafi, jossa X vaikuttaa Y:n arvoon, Y vaikuttaa Z:n arvoon ja Z edelleen vaikuttaa X:n arvoon, ei ole tässä mielessä hyväksyttävä kausaalirakenne. <ref name=pearl>{{Verkkoviite | Osoite=http://ftp.cs.ucla.edu/pub/stat_ser/r350.pdf |Nimeke =Causal inference in statistics: An overview | Tekijä = Judea Pearl | Julkaisija =Statistics Surveys, Vol 3 (2009) s.96-146 | Kieli ={{en}} }}</ref>
==Granger-kausaalisuus==
Granger-kausaalisuuden käsitettä käytetään aikasarjojen ennustamisessa. Jos signaali X<sub>1</sub> on signaalin X<sub>2</sub> Granger-syy, niin X<sub>1</sub>:n aiempien arvojen tulisi sisältää lisäinformaatiota X<sub>2</sub>:n arvojen ennustamiseen. Tai siis X<sub>1</sub> ja X<sub>2</sub> yhdessä antamaa informaatiota käyttäen saadaan parempia ennusteita X<sub>2</sub>:lle verrattuna ennusteisiin, jotka olisi laskettu vain aiempia X<sub>2</sub>-arvoja käyttäen.
Granger-kausaalisuus kehitettiin 1960-luvulla ja se on siitä asti ollut laajalti käytössä erityisesti taloustieteissä. Viime vuosina sovellukset neurotieteissä ovat myös yleistyneet. <ref name=seth>{{Verkkoviite | Osoite= http://www.scholarpedia.org/article/Granger_causality |Nimeke =Granger causality| Tekijä =Anil Seth | Julkaisija =Scholarpedia, Vol 2, no 7, p.1667 (2007) | Kieli ={{en}} }}</ref>
▲[[Albert Einstein]]in [[suppea suhteellisuusteoria|suppeassa suhteellisuusteoriassa]] kausaliteetin invarianssi on eräs peruslähtökohdista. Sen mukaan kahden tapahtuman syy–seuraussuhde on sama kaikissa [[koordinaatisto]]issa.
== Katso myös ==
* [[Korrelaatio]]
* [[Tilastotiede]]
* [[Post hoc ergo propter hoc|Post hoc]]- argumentaatiovirhe
* [[Causa sui]] (itsensä syy)
* [[Muna vai kana]]
Rivi 16 ⟶ 70:
* {{SEP | Id=causation-metaphysics | Nimeke=The Metaphysics of Causation | Tekijä=Schaffer, Jonathan}}
==Viitteet==
{{Viitteet}}
[[Luokka:Filosofian termit]]
[[Luokka:Tilastotiede]]
| |||