دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش:
نویسندگان: Judea Pearl
سری:
ناشر:
سال نشر: 2014
تعداد صفحات: 108
زبان: English
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 937 Kb
در صورت تبدیل فایل کتاب An Introduction to Causal Inference به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب مقدمه ای بر استنباط علیت نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
این پیشرفتهای اخیر در استنتاج علی را خلاصه میکند و بر تغییرات پارادایمی که باید در حرکت از تحلیل آماری سنتی به تحلیل علی دادههای چند متغیره انجام شود، تأکید میکند. تأکید ویژه بر مفروضاتی است که زیربنای همه استنتاجهای علّی هستند، زبانهای مورد استفاده در فرمولبندی آن مفروضات، ماهیت مشروط بودن همه ادعاهای علّی و خلاف واقع، و روشهایی که برای ارزیابی این ادعاها ایجاد شدهاند. این پیشرفتها با استفاده از یک نظریه عمومی علیت مبتنی بر مدل علّی ساختاری (SCM) نشان داده شدهاند، که سایر رویکردهای علیت را جمعآوری و متحد میکند، و یک پایه ریاضی منسجم برای تجزیه و تحلیل علل و خلاف واقع فراهم میکند. به طور خاص، این مقاله توسعه ابزارهای ریاضی را برای استنباط (از ترکیبی از دادهها و مفروضات) پاسخها به سه نوع پرسوجوی علی بررسی میکند: آنهایی که در مورد (1) اثرات مداخلات بالقوه، (2) احتمالات خلاف واقع، و ( 3) اثرات مستقیم و غیرمستقیم (همچنین به عنوان \"میانجی\" شناخته می شود). در نهایت، این مقاله روابط رسمی و مفهومی بین چارچوبهای ساختاری و نتیجه بالقوه را تعریف میکند و ابزارهایی را برای یک تحلیل همزیستی ارائه میکند که از ویژگیهای قوی هر دو استفاده میکند. ابزارها در تجزیه و تحلیل میانجیگری، علل اثرات و احتمالات علیت نشان داده شده اند.
This summarizes recent advances in causal inference and underscores the paradigmatic shifts that must be undertaken in moving from traditional statistical analysis to causal analysis of multivariate data. Special emphasis is placed on the assumptions that underlie all causal inferences, the languages used in formulating those assumptions, the conditional nature of all causal and counterfactual claims, and the methods that have been developed for the assessment of such claims. These advances are illustrated using a general theory of causation based on the Structural Causal Model (SCM), which subsumes and unifies other approaches to causation, and provides a coherent mathematical foundation for the analysis of causes and counterfactuals. In particular, the paper surveys the development of mathematical tools for inferring (from a combination of data and assumptions) answers to three types of causal queries: those about (1) the effects of potential interventions, (2) probabilities of counterfactuals, and (3) direct and indirect effects (also known as "mediation"). Finally, the paper defines the formal and conceptual relationships between the structural and potential-outcome frameworks and presents tools for a symbiotic analysis that uses the strong features of both. The tools are demonstrated in the analyses of mediation, causes of effects, and probabilities of causation.