Bridging Prediction and Attribution: Identifying Forward and Backward Causal Influence Ranges Using Assimilative Causal Inference
Marios Andreou, Nan Chen
因果推断确定了变量之间的因果关系。 虽然传统方法依靠数据来揭示因果关系,但最近开发的一种同化因果推理(ACI)方法将观测与动力学模型集成在一起。 它利用贝叶斯数据同化,通过量化不确定性的减少来追溯观察到的影响。 ACI推进了瞬时因果关系的检测和因果角色的间歇性逆转。 除了确定因果关系之外,一个同样重要的挑战是确定相关的因果影响范围(CIR),指示何时出现因果影响以及它们持续多久。 在本文中,ACI用于每次都开发前向和后CIR的数学严谨的公式。 向前CIR量化了原因的时间影响,而后向CIR则跟踪触发器的发作,以产生观察到的效果,从而分别表征每个瞬态阶段的因果可预测性和结果的归因。 引入了两个CIR的客观和稳健的指标,消除了对经验阈值的需求。 开发用于计算CIR的计算效率近似算法,这有利于将封闭形式表达式用于广泛的非线性动态系统。 数字模拟演示了这种向前和向后CIR框架如何为探测复杂的动力学系统提供新的可能性。 它推进了地球系统中分叉驱动和噪声引起的临界点的研究,研究了在确定影响范围时解决干扰变量的影响,并阐明了赤道地区的大气阻塞机制。 这些结果对科学、政策和决策有直接影响。
Causal inference identifies cause-and-effect relationships between variables. While traditional approaches rely on data to reveal causal links, a recently developed method, assimilative causal inference (ACI), integrates observations with dynamical models. It utilizes Bayesian data assimilation to trace causes back from observed effects by quantifying the reduction in uncertainty. ACI advances the detection of instantaneous causal relationships and the intermittent reversal of causal roles over ...
