A gépi tanulási eljárások egyes úttörőinek 90-es években kezdett munkáira alapozva az utóbbi tíz évben lassan teret nyer (és az idei közgazdasági Nobel-díjjal, áttekintő cikkekkel, új tankönyvekkel épp kanonizálódik) egy olyan statisztikai modellezési filozófia, amely a klasszikus statisztikai modellezés követelményeinél szigorúbb elméleti feltevések rögzítését követeli meg, miközben oksági kapcsolatok azonosítását ígéri. Az egyes klasszikus és új statisztikai közelítésmódok hasznosságáról és veszélyeiről több fronton zajlanak élénk viták.
A Módszeresen sorozat következő rendezvényén bemutatjuk az új statisztikai irányzatot megalapozó téziseket, továbbá az új megközelítés sikeres és sikertelen alkalmazásait. Ezután megvizsgáljuk, hogy a tárgyalt oksági statisztikai modell mennyiben képes a sokrétű kauzális folyamatok megragadására.
Tartalom:
I. A Pearl-féle oksági statisztika térhódítása
- Gyökerek és alapkoncepciók – Janky Béla
- Epidemiológia: sikeres alkalmazások – Ferenci Tamás
- Közgazdaságtan: korlátok és “felpuhítás” – Janky Béla
II. A kauzalitás természete és Pearl okságelmélete: a túl egyszerű okságtól a túl bonyolult okságig – Rudas Tamás
Az előadások utáni beszélgetést Németh Renáta vezeti.
A rendezvény az ELTE TáTK és a Társadalomtudományi Kutatóközpont hozzájárulásával valósul meg.
Szakirodalom:
Elwert, Felix (2021). Introduction to Directed Acyclic Graphs (DAGs) for Causal Inference. Online lecture at SAMSI Institute.
Imbens, Guido W. (2020). "Potential outcome and directed acyclic graph approaches to causality: Relevance for empirical practice in economics" Journal of Economic Literature, 58(4), 1129-79.
Neal, Brady (2020). Introduction to causal inference. Free online course material. MILA - Quebec AI Institute.
Pearl, Judea (2018),"Does Obesity Shorten Life? Or is it the Soda? On Non-manipulable Causes" Journal of Causal Inference, vol. 6, no. 2, 2018, pp. 20182001.