인과추론(Causal Inference) – Collider

Collider

  • Z는 X,Y의 공통 효과(Common Effect)이다.
  • Z가 조건부로 주어졌을 때 X와 Y는 의존적일 가능성이 있다.
  • Z = X+Y라고 할 때 Z값이 고정이 되면 (예: 10) X,Y의 값은 서로 의존적이 된다
  • 몬티홀(Monty Hall)문제도 Collider로 볼 수 있다. → 처음에 참가자 선택한 문과 자동차가 배치된 문은 서로 독립이었다.
  • 하지만 이 두 노드는 사회자가 여는 문은 참가자가 선택한 문과 자동차가 배치된 문에 영향을 받기 때문에 Collider Case 라고 볼 수 있다.

Example

  • 앞뒷면이 나올 확률이 같은 동전 두 개를 독집적으로 던지고 동전 중 적어도 하나가 앞면이 나올 때 종이 울린다라고 하자
  • 이 때 각 동전의 결과를 각각 X,Y라고 하고 종소리의 상태를 Z라고 놓을 때 다음과 같이 확률을 정리할 수 있다.
  • 이 때 다음 식이 성립한다
    P(X=”앞면”|Y=”앞면)=P(X=”뒷면”|Y=”뒷면”)= [latex] {1 \over 2} [/latex]
  • 이 때 표에 기반해서 확률을 계산해보면 다음과 같다
    P(X=”앞면”| Z=1) = [latex] {2 \over 3} [/latex]
    P(X=”앞면” |Y= “앞면”,Z=1) = [latex] {1 \over 2} [/latex]
  • Z=1일때,X의 앞면의 확률은 Y=앞면이라는 사실을 알 때 확률이 바뀌었다. 다시 말해서 X,Y는 Z에 의존적이다,

규칙

변수 Z가 두 변수 X,Y 사이의 Collider Node이고 X와 Y사이에 단 하나의 경로만 있을 때 X,Y는 비조건부 독립(Unconditionally Independent)이다.
그러나 Z 또는 Z의 자손을 조건부로 하였을 떄는 X,Y와 종속적일 가능성이 있다.

References

Read more

OLS 기반 인과추론 시 오차항 관련 체크 필요 가정

OLS 기반 인과추론 시 오차항 관련 체크 필요 가정

배경 * 아래 글을 DANBI에서 보다가 더 알아보게 되었습니다. OLS를 떠받치는 몇 개의 기둥이 있는데 그중 실용적으로 가장 중요한 것이 일치성(consistency)다. 쉽게 말해서 OLS를 통해 도출된 추정량이 있을 때 샘플사이즈가 커지면서 이 값이 참 값으로 접근한다는 것이다. 일치성이 충족되면 우리는 적당하게 큰 표본에 대해서 추정치가 좋은 속성을 지니고 있다고

인공지능이 문제가 아니라 결국 사람이 문제가 될 것입니다.

인공지능이 문제가 아니라 결국 사람이 문제가 될 것입니다.

사람들이 AI가 필요하다고 생각하는 시점 저 판사를 얼른 AI로 교체해야 한다. 유튜브에서 뉴스를 보다 보면 정말 많이 보이는 덧글입니다. 이러한 내용의 덧글이 달릴 때마다, 정말 많은 사람들이 공감을 표하곤 합니다. 왜 이렇게 사람들은 이러한 주장에 공감을 표하는 것일까? AI는 시킨대로 하기 때문에 공정하다는 인식 여러 이유가 있겠지만, 사람들은 아마 AI가

BG/NBD 모델은 고객 생애가치를 추정하는데 사용되는 확률 모델입니다.

BG/NBD 모델은 고객 생애가치를 추정하는데 사용되는 확률 모델입니다.

1. BG/NBD 모델이란? * BG/NBD(Beta-Geometric/Negative Binomial Distribution) 모델은 **고객의 생애 가치(Customer Lifetime Value, CLV)**를 추정하는 데 사용되는 확률적 모델입니다. * 특히 고객이 반복 구매를 할지, 아니면 더 이상 활동하지 않을지를 추정하는 데 유용합니다. 이 모델은 고객의 구매 행태를 두 가지 중요한 개념으로 나눕니다: * 고객은 활성(active)

다중공선성은 잘못된 인과추론 결과를 만들어낼 수 있습니다.

다중공선성은 잘못된 인과추론 결과를 만들어낼 수 있습니다.

다중공선성(Multi Collinearity) * **Multi-Collinearity(다중공선성)**는 독립 변수들 간의 강한 상관관계가 존재할 때 발생합니다. 즉, 한 독립 변수가 다른 독립 변수에 의해 설명될 수 있을 정도로 상관관계가 높은 상황을 의미합니다. * 이 문제는 주로 회귀 분석에서 나타나며, 변수들 간의 관계를 해석하는 데 있어 큰 장애물이 될 수 있습니다. * 일반적인 회귀식을 $Y=