¿Los bordes en el gráfico acíclico dirigido representan causalidad?

Estoy estudiando modelos gráficos probabilísticos , un libro para el autoaprendizaje. ¿Los bordes en un gráfico acíclico dirigido (DAG) representan relaciones causales?

¿Qué sucede si quiero construir una red bayesiana , pero no estoy seguro de la dirección de las flechas en ella? Todos los datos me dirán las correlaciones observadas, no la interconexión entre ellas. Sé que estoy pidiendo demasiado, ya que estoy seguro de que los siguientes capítulos abordarán estos problemas, pero es que no puedo dejar de pensar en ello.

Muchos algoritmos de aprendizaje de estructuras solo pueden calificar estructuras competidoras hasta sus equivalencias de Markov y, como resultado, es imposible aprender un DAG único para una Red Bayesiana (BN) basado únicamente en datos, lo que hace que la hipótesis de causalidad sea cuestionable. Spirtes y col. denominen este tema como " indistinguibilidad estadística ", discutiéndolo extensamente en su libro.

Considero que los bordes en un DAG deben interpretarse principalmente como dependencias probabilísticas que también dan una idea de las relaciones causales. Esto está en línea con el punto de vista de los defensores de las redes bayesianas 'causales' (incluida Judea Pearl) que defienden que la distribución de probabilidad representada por un BN tiene una estructura causal subyacente.

El mensaje final es que no existe un acuerdo general sobre este tema. Pero supongo que el punto de vista que compartí anteriormente es más seguro.

Solo dibujo un borde dirigido si estoy feliz de asumir que la relación es causal. Por supuesto, esta suposición no puede verificarse con datos de observación, pero al formalizar un conjunto de relaciones causales hipotéticas como DAG, puedo identificar qué variables ajustar para hacer las mejores inferencias causales posibles sobre una relación dada en el gráfico. Desde mi punto de vista, si el DAG es verdadero (grande si, especialmente el bit acílico), las relaciones observadas entre las variables deberían verse de cierta manera; pero sigue siendo una absracción completa, y no veo el valor de esa abstracción si agrega flechas que no reflejan las relaciones causales hipotéticas.

$A\rightarrow B$$A$$B$

Además, es imposible construir una red única de Bayes, dados solo los datos, ya que diferentes nociones pueden conducir a la construcción de diferentes gráficos.

Un buen recurso para aprender más sobre esto se puede encontrar aquí .

Como dijo Zhubarb, no existe un acuerdo general sobre este tema. Entonces, arrojaré una perspectiva más que aún no se ha cubierto. Para los DAG causales, la estructura causal a menudo se considera codificada por la ausencia de flechas. Bajo este marco, las flechas pueden ser causales o no, pero se debe creer firmemente que las flechas faltantes o saber que no son causales. Esto puede no ser ampliamente aplicable a Bayesian Networks, pero desde que comenzó su pregunta de manera más general, creo que vale la pena señalar.

Además, si desea aprender una red, no podrá indicarle la dirección de las flechas, porque la asociación fluye en ambos sentidos a lo largo de las flechas. Debe hacer algunas suposiciones sobre la direccionalidad o imponer alguna información sobre el ordenamiento temporal.