Hasta donde yo sé, esencialmente no existe una relación intrínseca entre Bayes y la causalidad, un tema algo opaco que ha recibido una atención masiva en estadística, filosofía y teoría de la decisión. [No puedo recomendar el libro de Judea Pearl sobre causalidad lo suficiente, o resumir sus puntos principales en una breve publicación.]
Pero, al final, el análisis bayesiano es una forma de incorporar varios tipos de información en un modelo estadístico cuidadosamente construido (como Andrew Gelman sigue enfatizando correctamente). La causalidad inferida es en cierto sentido ortogonal a si se adopta un enfoque bayesiano o frequentista, que yo sepa. Sin embargo, me gustaría escuchar las perspectivas de los demás sobre esto. Hablando de Pearl, ha abordado el tema directamente en un artículo algo personal y especialmente accesible: http://ftp.cs.ucla.edu/pub/stat_…, llamado “Bayesianismo y causalidad, o, por qué soy solo la mitad -bayesian “.
Y, hablando de Gelman, está su libro con Meng sobre este tema, ” Modelado Bayesiano Aplicado e Inferencia Causal desde Perspectivas de Datos Incompletos “. Pero esto realmente se trata más de datos faltantes y de la perspectiva de Rubin que de algún vínculo filosófico profundo entre Bayes y la inferencia causal, específicamente.
- ¿Existe una relación entre el aprendizaje automático y los procesos estocásticos?
- ¿Por qué la probabilidad condicional es más poderosa que la probabilidad conjunta en un nivel intuitivo?
- ¿Qué tan avanzado es el aprendizaje autónomo robótico?
- Después de seleccionar entidades con una regresión regularizada, ¿es mejor estimar el resultado con la misma regresión regularizada o con una regresión no regularizada?
- ¿Se pueden usar datos generados por simulación por computadora para algoritmos de aprendizaje automático?
