alfonsoeromero
commented
2 years ago Un comentario muy lateral pero como tiene que ver con el título, lo hago aquí. Las redes Bayesianas muy grosso modo son, en principio, distribuciones de probabilidad sobre una serie de variables que factorizan sobre un DAG (aquello de P(X1,...,XN) = \prod_i P(X_i|pa(X_i)). Sin embargo, ahí no hay nada causal.
Si una red es causal se entiende que los enlaces dirigidos A -> B significan que "A causa B" o -más concretamente- que A tiene una influencia causal en que suceda B. Lo digo porque en una red bayesiana "general" puede dar igual que los enlaces estén invertidos (y de hecho no se reduce de forma general el poder expresivo de la misma). Sin embargo, en una red causal se sobreentiende que los enlaces dirigidos del grafo se han "aprendido" (o "descubierto", o "fijado") con un marco causal de fondo.
Te pongo un ejemplo simple: supongamos una variable S (suelo mojado) que puede tomar valores {"sí", "no"}, una L (lluvia esta mañana), también binaria y R (he regado las plantas) (de nuevo, también binaria). Si me cojo datos históricos de tripletas (s^i, l^i, r^j) y aprendo la red nada impediría que encontrase el enlace S -> L o S -> R. En un marco causal, sin embargo, ninguno de los dos tiene sentido (porque un suelo mojado no "causa" que haya llovido unas horas antes. Sin embargo, si aplico algún algoritmo (por ejemplo, el algoritmo PC) donde doy un orden topológico de variables (que va a restringir las direccionalidades) para poder tener una interpretación causal (por ejemplo, puedo decir que el orden es L, R, S, con lo que nunca podría descubrir la relación R->L o S->L pues violan el orden dado).
Un poco rollo, pero creo que merece la pena darle una vuelta.
ElenaMerelo
Relacionado con la HU02, #20. Como tribunal, quiero tener claras las bases teóricas del trabajo, sea cual sea mi background.