Wnioskowanie przyczynowe

Definicja robocza

Wnioskowanie przyczynowe (causal inference) to zespół formalnych metod matematycznych i badawczych pozwalających odróżnić samą współzmienność zjawisk od skutku celowej zmiany jednego z nich. Zamiast pytać, jak wygląda rozkład zmiennej Y, gdy zaobserwowaliśmy X, pyta ono, jak zmieniłby się rozkład Y, gdybyśmy z zewnątrz wymusili określoną wartość X albo gdyby w przeszłości zaszło inne zdarzenie niż to, które faktycznie wystąpiło. W ujęciu potocznym bywa redukowane do przestrogi „korelacja to nie przyczynowość”, która sama w sobie paraliżuje wnioskowanie; w ujęciu technicznym dostarcza ścisłych warunków, pod jakimi efekt przyczynowy daje się obliczyć z połączenia danych (eksperymentalnych lub obserwacyjnych) i jawnie zapisanych założeń o strukturze świata.

Geneza i rodowód

Przez większą część XX wieku akademicka statystyka — ukształtowana przez Karla Pearsona, który w The Grammar of Science (1911) uznał samą kategorię przyczyny za przednaukowy fetysz i chciał zastąpić ją tablicami korelacji — unikała języka przyczynowego poza ścisłym rygorem eksperymentu z losowym przydziałem obiektów do porównywanych wariantów, rozwiniętym przez Jerzego Neymana (1923) i Ronalda Fishera (1925). Przełamanie tego tabu nastąpiło niezależnie w trzech nurtach: w ekonometrii (modele równań jednoczesnych Trygvego Haavelmo z lat 40.), w statystyce badań obserwacyjnych, gdzie Donald B. Rubin (1974) uogólnił model wyników potencjalnych na sytuacje bez randomizacji, oraz w sztucznej inteligencji i informatyce, gdzie Judea Pearl w latach 90. połączył sieci bayesowskie ze skierowanymi grafami acyklicznymi (Directed Acyclic Graphs, DAG) i rachunkiem operatora interwencji do(x). W XX wieku metody te bywały spłaszczane w naukach społecznych do wielorakiej regresji liniowej, w której dorzucanie kolejnych „zmiennych kontrolnych” do równania mylono z izolowaniem wpływu przyczynowego.

Rodowód środkowoeuropejski

Fundament współczesnego modelu wyników potencjalnych powstał po polsku między Bydgoszczą a Warszawą. Jerzy Spława-Neyman, ukształtowany matematycznie na Uniwersytecie Charkowskim, gdzie słuchał wykładów Siergieja Bernsteina z rachunku prawdopodobieństwa, po przyjeździe do Polski w 1921 r. podjął pracę jako statystyk w Państwowym Instytucie Naukowo-Rolniczym w Bydgoszczy. W opublikowanej w 1923 r. na łamach „Roczników Nauk Rolniczych” rozprawie Próba uzasadnienia zastosowań rachunku prawdopodobieństwa do doświadczeń polowych wprowadził podwójnie indeksowaną tablicę potencjalnych plonów U_ij (plon odmiany i, gdyby zasiano ją na poletku j) — zapis, który Imbens i Rubin wskazują jako pierwszą formalną postać wyników potencjalnych. Zauważył tym samym podstawowy problem wnioskowania przyczynowego: na danym poletku w jednym sezonie można zaobserwować tylko jedną odmianę, a pozostałe wartości pozostają kontrfaktyczne. Wyprowadził też wariancję estymatora różnicy średnich z modelu losowania bez zwracania. Doktorat uzyskał na Uniwersytecie Warszawskim w 1924 r. W 1990 r. Dorota M. Dąbrowska i Terence P. Speed opublikowali angielski przekład paragrafu 9 tej pracy w „Statistical Science” (5(4), s. 465–472) z komentarzem Donalda B. Rubina — 67 lat po polskim pierwodruku. Opóźnienie dotyczy tekstu, nie idei: notacja Neymana stała się standardem anglojęzycznej literatury eksperymentów randomizowanych na długo przed przekładem (m.in. Pitman 1937, Kempthorne 1952), sam Neyman rozwinął ją po angielsku w 1935 r., a na badania obserwacyjne aparat wyników potencjalnych rozszerzył Rubin w 1974 r.

Dlaczego teraz

W latach 2018–2026 pojęcie wyszło z nisz metodologicznych za sprawą trzech równoległych wydarzeń. Pierwszym było opublikowanie przez Judeę Pearla i Danę Mackenzie książki The Book of Why (2018; pol. wyd. 2021), która wprowadziła do szerokiego obiegu metaforę trójstopniowej „drabiny przyczynowości” (obserwacja, interwencja, kontrfaktyczność) w momencie, gdy entuzjaści big data głosili koniec teorii na rzecz samych korelacji. Drugim było przyznanie w październiku 2021 r. Nagrody Banku Szwecji im. Alfreda Nobla w dziedzinie ekonomii Davidowi Cardowi, Joshui Angristowi i Guidowi Imbensowi za tzw. rewolucję wiarygodności (credibility revolution) — metodologię eksperymentów naturalnych pozwalającą badać skutki płacy minimalnej, edukacji czy migracji bez laboratorium. Trzecim impulsem okazał się rozkwit wielkich modeli językowych po 2022 r.: systemy te celują w przewidywaniu kolejnego tokenu na podstawie gęstych korelacji w korpusie, lecz zawodzą tam, gdzie trzeba odróżnić przyczynę od skutku, przewidzieć wynik interwencji wykraczającej poza rozkład treningowy albo uniknąć fałszywych zależności w medycynie i polityce publicznej.

Siła wyjaśniająca

Aparat ten pozwala zobaczyć, dlaczego więcej danych i dokładniejsza predykcja mogą prowadzić do gorszych decyzji oraz dlaczego bezmyślne „kontrolowanie zmiennych” potrafi wytworzyć zależność tam, gdzie jej nie ma (błąd kolidera, czyli collider bias). W medycynie klinicznej tłumaczy paradoks zaobserwowany podczas klasyfikacji ryzyka pacjentów z zapaleniem płuc: modele uczenia maszynowego trenowane na danych szpitalnych uczyły się, że astma obniża ryzyko zgonu, ponieważ chorzy z astmą byli natychmiast kierowani na oddział intensywnej terapii — model pomylił skutek agresywnej interwencji z cechą choroby. W ekonomii pracy eksperymenty naturalne (metoda różnicy w różnicach zastosowana przez Carda i Kruegera do porównania zatrudnienia w gastronomii w New Jersey i Pensylwanii po podwyżce płacy minimalnej) pozwoliły oddzielić wpływ samej regulacji od cyklu koniunkturalnego. W analityce platform cyfrowych odróżnia z kolei to, że użytkownicy widzący reklamę kupują częściej (bo algorytm wyświetla ją osobom już zdecydowanym na zakup), od przyrostowego wpływu samej reklamy na decyzję.

Osie sporu

Niedoceniany kąt

Popularna recepcja przedstawia aparat przyczynowy jako maszynkę do wyciskania pewności z danych, podczas gdy najważniejszym teoretycznym wynikiem tego nurtu jest zestaw twierdzeń negatywnych — ścisły dowód na to, czego z samych danych obserwacyjnych nigdy nie da się wyprowadzić. Drabina przyczynowości Pearla ma strukturę analogiczną do twierdzeń limitacyjnych w logice lub termodynamice: żadna ilość danych z poziomu pierwszego (pasywnej obserwacji P(Y | X)) nie wystarcza do przejścia na poziom drugi (interwencji P(Y | do(X))) ani trzeci (sądów kontrfaktycznych), jeśli badacz nie wniesie z zewnątrz założeń strukturalnych, których sam zbiór danych nie może potwierdzić. W epoce, która próbuje zastąpić teorię naukową skalowaniem sieci neuronowych, jest to najtwardszy znany argument za tym, że wiedza o świecie nie redukuje się do interpolacji rozkładu prawdopodobieństwa.