@samydana @duduisonfire @_brunovinicius @tpmarcs Esses argumentos acima são determinísticos. Eu continuo achando que isso deriva de ignorância probabilística.
Causalidade tem a ver com a diferença entre
p(y|X=x) a distribuição de y dado que a gente observa X=x; e
p(y|X=do(x)) a distribuição de y dado que a gente *tornou* X=x
Causalidade tem a ver com a diferença entre
p(y|X=x) a distribuição de y dado que a gente observa X=x; e
p(y|X=do(x)) a distribuição de y dado que a gente *tornou* X=x
@samydana @duduisonfire @_brunovinicius @tpmarcs Note que isso não significa que sempre que a gente intervém e garante que X=x, y vai ter o mesmo valor. Significa que a distribuição da variável aleatória y vai (se houver um efeito causal) se tornar diferente.
@samydana @duduisonfire @_brunovinicius @tpmarcs Mas em geral existe uma diferença entre p(y|x) e p(y|do(x)). O trabalho científico é conseguir diferenciar entre a primeira (correlação) e a segunda (causalidade).
@samydana @duduisonfire @_brunovinicius @tpmarcs Como? Por ex, com experimentos. Quando a gente aleatoriza e da um remédio pra um grupo de tratamento e um placebo pra um grupo de controle, por construção n existe correlação entre fatores não observados pro indivíduo i. Isso garante estimação consistente de um efeito causal.
@samydana @duduisonfire @_brunovinicius @tpmarcs Como doença é uma variável aleatória, isso não garante que ninguém que tomou o remédio vai estar livre da doença (há outros fatores idiosincraticos não observados). Mas, se houver um efeito causal, ele vai reduzir a probabilidade da doença.
@samydana @duduisonfire @_brunovinicius @tpmarcs Existem métodos experimentais e não experimentais para separar correlação de causalidade no contexto de variáveis aleatorias. Eu não conheço nada de Kant, mas tenho certeza que ele não teve acesso a literatura de inferência causal que foi desenvolvida nos últimos 50 anos.
