ЕМПІРИЧНА ВАЛІДАЦІЯ ВЛАСТИВОСТЕЙ МОЖЛИВІСНИХ КАУЗАЛЬНИХ МОДЕЛЕЙ
DOI:
https://doi.org/10.36074/grail-of-science.20.02.2026.108Keywords:
Теорія можливостей, можливісні розподіли, структурні каузальні моделі, висновування, каузальні втручання, каузальні графи, екзогенні факториSummary
У статті досліджено семантичні властивості можливісних структурних каузальних моделей як якісної альтернативи ймовірнісним підходам до каузального аналізу за умов обмежених або заданих на порядкових шкалах даних. Розглянуто формальну специфікацію можливісної СКМ, що поєднує якісні структурні механізми, екзогенні фактори з власними розподілами можливості та процедуру компіляції моделі в мережу на основі таблиць умовних розподілів можливостей (CPiD), придатну для ефективного висновування. Установлено, що запропонована реалізація коректно відтворює принципове каузальне розрізнення між спостереженням і втручанням, відоме з теорії Перла, у можливісному середовищі з max-орієнтованою семантикою. Емпірично підтверджено, що жорсткі каузальні втручання є операційно еквівалентними виродженому (жорсткому) варіанту можливісного оновлення за правилом Джеффрі після компіляції моделі, тоді як м’які масштабувальні оновлення мають суто епістемічний характер. Також показано збереження еквівалентності між хірургічним втручанням у каузальний граф та реалізацією втручань через введення спеціальних DO-вузлів. Отримані результати засвідчують, що можливісні структурні каузальні моделі забезпечують узгоджену та принципово обґрунтовану семантику каузальних маніпуляцій, функціонально співставну з імовірнісними SCM, за принципово іншого апарату роботи з невизначеністю.
Downloads
Downloads
License
Copyright (c) 2026 Дмитро Лапшин, Володимир Лещинський
References
Benferhat, S., & Kaci, S. (2003). POSSIBILISTIC LOGIC AND POSSIBILISTIC NETWORKS. Symbolic and Quantitative Approaches to Reasoning with Uncertainty, 1–15.
Benferhat, S., Dubois, D., & Prade, H. (1999). POSSIBILISTIC NETWORKS: A NEW SETTING FOR MODELING PREFERENCES. Proceedings of the Fifteenth Conference on Uncertainty in Artificial Intelligence (UAI’99), 57–64.
Dawid, A. P. (2010). SEEING AND DOING: THE PEARLIAN SYNTHESIS. Journal of the Royal Statistical Society: Series B (Statistical Methodology), 72(2), 191–213. https://doi.org/10.1111/j.1467-9868.2009.00726.x DOI: https://doi.org/10.1111/j.1467-9868.2009.00726.x
Dubois, D., & Prade, H. (1988). POSSIBILITY THEORY: AN APPROACH TO COMPUTERIZED PROCESSING OF UNCERTAINTY. Plenum Press.
Dubois, D., & Prade, H. (1990). THE LOGICAL VIEW OF CONDITIONING AND ITS APPLICATION TO POSSIBILITY AND EVIDENCE THEORIES. International Journal of Approximate Reasoning, 4(1), 23–46. https://doi.org/10.1016/0888-613X(90)90020-Z DOI: https://doi.org/10.1016/0888-613X(90)90007-O
Dubois, D., & Prade, H. (2001). POSSIBILITY THEORY, PROBABILITY THEORY AND MULTIPLE-VALUED LOGICS: A CLARIFICATION. Annals of Mathematics and Artificial Intelligence, 32(1–4), 35–66. https://doi.org/10.1023/A:1016730828244 DOI: https://doi.org/10.1023/A:1016740830286
Lauritzen, S. L., & Richardson, T. S. (2002). CHAIN GRAPH MODELS AND THEIR CAUSAL INTERPRETATIONS. Journal of the Royal Statistical Society: Series B (Statistical Methodology), 64(3), 321–361. https://doi.org/10.1111/1467-9868.00340 DOI: https://doi.org/10.1111/1467-9868.00340
Pearl, J. (2000). CAUSALITY: MODELS, REASONING, AND INFERENCE. Cambridge University Press.
Pearl, J. (2009). CAUSALITY: MODELS, REASONING, AND INFERENCE (2nd ed.). Cambridge University Press. DOI: https://doi.org/10.1017/CBO9780511803161
Downloads
How to Cite
Issue
Section
Categories
