Practical Approaches to Causal Relationship Exploration

این مختصر چهار روش عملی را برای کشف مؤثر روابط علی ارائه می‌کند که اغلب برای توضیح، پیش‌بینی و تصمیم‌گیری در پزشکی، اپیدمیولوژی، زیست‌شناسی، اقتصاد، فیزیک و علوم اجتماعی استفاده می‌شوند. دو روش اول از آزمون‌های استقلال شرطی برای کشف علی استفاده می‌کنند. دو روش آخر از کاوی قواعد تداعی برای تولید فرضیه علّی کارآمد و یک آزمون ارتباط جزئی و مطالعه کوهورت گذشته‌نگر برای اعتبار سنجی فرضیه‌ها استفاده می‌کنند. هر چهار روش در شناسایی روابط علّی بالقوه حول یک هدف معین، نوآورانه و مؤثر هستند و هر کدام نقاط قوت و ضعف خاص خود را دارند. برای هر روش، یک ابزار نرم افزاری همراه با مثال هایی ارائه شده است که کاربرد آن را نشان می دهد. رویکردهای عملی به کاوش رابطه علّی برای محققان و پزشکانی طراحی شده است که در زمینه‌های هوش مصنوعی، یادگیری ماشین، داده‌کاوی، و تحقیقات زیست‌پزشکی کار می‌کنند. این مطالب همچنین به دانش‌آموزان پیشرفته علاقه‌مند به کشف رابطه علی کمک می‌کند.

This brief presents four practical methods to effectively explore causal relationships, which are often used for explanation, prediction and decision making in medicine, epidemiology, biology, economics, physics and social sciences. The first two methods apply conditional independence tests for causal discovery. The last two methods employ association rule mining for efficient causal hypothesis generation, and a partial association test and retrospective cohort study for validating the hypotheses. All four methods are innovative and effective in identifying potential causal relationships around a given target, and each has its own strength and weakness. For each method, a software tool is provided along with examples demonstrating its use. Practical Approaches to Causal Relationship Exploration is designed for researchers and practitioners working in the areas of artificial intelligence, machine learning, data mining, and biomedical research. The material also benefits advanced students interested in causal relationship discovery.