🛤️ Вызовы причинно-следственного анализа: куда движется статистика?

Январь – время New Year’s resolutions: все пишут планы на будущий год, а мы решили составить список обещаний от статистиков для статистиков на целое десятилетие!

За последние 30 лет причинно-следственный анализ перестал быть нишевой темой и превратился в центральную область статистики [см. пост]. Сегодня есть специализированные журналы – Journal of Causal Inference (с 2013) и Observational Studies (с 2015), курсы и исследовательские центры – от Harvard CAUSALab до Stanford Causal Science Center

В новой работе обсуждаются 12 главных вызовов, без решения которых причинный вывод не сможет двигаться вперёд (Cinelli et al., 2025), итак, торжественно обещаем:

🔠 Complex Experiments and Experimental Design
Проектировать эксперименты под реальность – сегодня нам нужны адаптивные (adaptive designs) и платформенные (platform trials) эксперименты, многомерные и многоэтапные интервенции (Gupta et al., 2019)
🔠 Interference
Помнить, что SUTVA постоянно нарушается: воздействие на одного участника влияет на других (Hudgens, Halloran, 2008)
🔠 Heterogeneous Effects and Policy Learning
Не останавливаться на среднем эффекте. Будем оценивать неоднородность (CATE) и учиться назначать интервенции оптимально – то есть делать policy learning, а не просто «оценку эффекта в среднем по больнице» (Athey, Wager, 2021)
🔠 Mediation and Causal Mechanisms
Интересоваться не только каково воздействие, но и почему оно такое. Это требует работы с естественными прямыми и косвенными эффектами (Natural Direct/Indirect Effects), структурными предположениями и аккуратного обращения с «контрфактическими мирами» и допущениями о cross-world exchangeability (Pearl, 2001; VanderWeele, 2015)
🔠 Optimality and Minimaxity
Развивать методы, которые работают стабильно даже в плохих условиях – минимаксные оценки, границы эффективности, полупараметрическая оптимальность. Сложность в том, что причинные задачи включают скрытые величины и часто плохо идентифицируемы (Le Cam, 1986)
🔠 Sensitivity Analysis and Robustness
Не делать никаких причинных выводов без честного разговора о непроверяемых предпосылках. Развитие sensitivity analysis, bounds и proportion-of-confounding metrics (сколько конфаундинга нужно, чтобы уничтожить эффект?) (Bonvini, Kennedy, 2022)
🔠 Reliable and Scalable Causal Discovery
Извлекать причинную структуру (DAG) из данных аккуратно: с учётом ошибок измерения и вычислительных ограничений, но без обещаний невозможного – некоторые графы не различить без внешних допущений (Zhang et al., 2018)
🔠 Aggregation and Synthesis of Causal Knowledge
Научиться собирать и объединять причинные знания из разных источников (экспериментов, наблюдательных исследований, регистров). Проблема: разные исследования опираются на разные идентификационные допущения (Dahabreh et al., 2020)
🔠 Automation of the Causal Inference Pipeline
Создать end-to-end системы: от формулировки гипотез до оценки чувствительности и визуализации. Цель – сделать причинный анализ более реплицируемым и прозрачным
🔠🔠 Benchmarks, Evaluation and Validation
Каузальному анализу завести свои бенчмарки – открытые стандартизированные датасеты, соревнования и валидируемые протоколы сравнения методов (Hill, 2011)
🔠🔠 New Identification Strategies
Расширять классические подходы и активнее использовать алгоритмы символической алгебры и автоматический поиск идентифицирующих условий, чтобы меньше гадать, где идентифицируемо, и больше это обосновывать(Sanderson et al., 2022)
🔠🔠 Large Language Models and Causality
Использовать LLM и как инструмент (гипотезы, автоматизация), и как объект исследования: можно ли выявлять каузальные представления внутри моделей и как корректно валидировать такие утверждения (Geiger et al., 2021)?

Причинно-следственный анализ стал общим языком разных дисциплин. Чтобы двигаться дальше, нам нужны не только методы, но и правильные вопросы, корректные бенчмарки, сотрудничество дисциплин и новые способы валидации. Именно это определит развитие причинно-следственного анализа в следующие десятилетия

#канал_обозревает
@causal_channel