Why?

La tesi di fondo del testo è che la causalità è stata matematizzata, trasformandola da un concetto misterioso in un oggetto matematico ben definito con semantica chiara e logica ben fondata. Questa nuova scienza di causa ed effetto offre un quadro unificato per distinguere i fatti dalla finzione, con il potenziale di influenzare aspetti cruciali delle nostre vite, dallo sviluppo di nuovi farmaci alle politiche economiche. Il superamento della “lacuna fondamentale tra il vocabolario in cui formuliamo le domande causali e il vocabolario tradizionale in cui comunichiamo le teorie scientifiche” è un risultato chiave di questa rivoluzione.

I concetti di supporto che avvalorano questa tesi e costituiscono la “nuova scienza” includono:

Il Mini-Test di Turing: Un test concettuale per verificare se una macchina può rispondere correttamente a domande causali che un umano può risolvere, basandosi su una semplice storia codificata nella macchina. Questo test si concentra sul ragionamento causale e non sulla capacità della macchina di acquisire la storia dalla propria esperienza.

Il Calcolo della Causalità: Questo calcolo si basa su due linguaggi principali:

Diagrammi Causali: Sono rappresentazioni grafiche, simili a “immagini con punti e frecce”, che riassumono la conoscenza scientifica esistente. I punti rappresentano “variabili” (quantità di interesse) e le frecce indicano relazioni causali note o sospette, mostrando quale variabile “ascolta” le altre. Sono estremamente facili da disegnare, comprendere e utilizzare, e descrivono le forze causa-effetto che generano i dati.

Linguaggio Simbolico (ad esempio, l’operatore do): Assomiglia all’algebra e permette di esprimere ciò che si vuole sapere. L’operatore do (ad esempio, P(L | do(D))) denota un intervento o un trattamento, rendendo possibile prevedere gli effetti di un’azione senza doverla attuare realmente. La statistica classica non possiede un operatore simile.

La Scala della Causalità (The Ladder of Causation): Questo modello concettuale, frutto della ricerca sull’apprendimento automatico, descrive tre distinti livelli di abilità cognitiva che un “discente causale” deve padroneggiare:

Vedere (Associazione/Osservazione – Primo Piolo): Si occupa di domande su ciò che viene osservato (ad esempio, “Cosa succederà se vedo…?”). Questo livello si concentra sulla predizione di osservazioni future basate su esperienze passate, correlazioni o sulla probabilità di fatti date altre informazioni. La statistica tradizionale opera principalmente a questo livello, e il testo sottolinea che i “dati sono profondamente stupidi riguardo alle relazioni causali” e non possono da soli rivelare effetti di interventi o controfattuali.

Fare (Intervento – Secondo Piolo): Affronta la predizione degli effetti di azioni e politiche non ancora sperimentate, e implica il cambiamento dell’ambiente. La domanda chiave di questo livello è “Cosa succederà se facciamo…?”. Richiede un modello causale.

Immaginare (Controfattuali – Terzo Piolo): Riguarda il pensiero retrospettivo e la capacità di porsi domande come “Cosa sarebbe successo se le cose fossero andate diversamente?”. Questi sono i quesiti più complessi per l’intelligenza artificiale e sono fondamentali per i progressi cognitivi umani, inclusa la capacità di apprendere dalla storia e di attribuire responsabilità o colpa.

I Modelli Causali come “Progetto della Realtà”:

Ancorano le nozioni sfuggenti di scienza, conoscenza e dati in un contesto concreto e significativo, mostrando come collaborano per rispondere a difficili domande scientifiche.

Sono il “cuore computazionale” del motore di inferenza causale.

Accettano tre tipi di input: Assunzioni (spesso espresse tramite diagrammi causali), Query (domande scientifiche formulate in vocabolario causale) e Dati.

Producono tre tipi di output: una decisione Sì/No sulla possibilità di rispondere alla query, un Estimand (una formula matematica o “ricetta” per calcolare la risposta dai dati) e una Stima effettiva con l’incertezza statistica.

Confounding e Deconfounding:

Confounding (Confusione): Si verifica quando una variabile influenza sia la selezione del trattamento che l’esito dell’esperimento, creando una discrepanza tra la correlazione osservata P(Y|X) e l’effetto causale P(Y|do(X)). È un concetto causale, non statistico, e non può essere risolto solo con la probabilità.

Studi Randomizzati Controllati (RCTs): Sono visti come uno “strumento artificiale per scoprire” l’effetto causale (P(L | do(D))). Funzionano interrompendo tutti i legami in entrata alla variabile randomizzata, disattivando sia i confondenti noti che quelli sconosciuti. Tuttavia, non sono l’unica via per simulare interventi.

Metodi di Deconfounding:

Aggiustamento per Z: Se le variabili confondenti (Z) sono misurate, i loro effetti possono essere separati confrontando i gruppi di trattamento e di controllo all’interno di ogni strato di Z.

Aggiustamento Back-door: Un metodo per “controllare” i confondenti utilizzando una formula di aggiustamento, a condizione che siano disponibili dati su un insieme sufficiente di variabili (deconfondenti) che bloccano tutti i percorsi “back-door” tra l’intervento e l’esito.

Aggiustamento Front-door: Uno strumento potente che permette di controllare confondenti non osservati o addirittura non nominati, aggiustando per variabili che si trovano sul percorso “front-door”. Questo metodo è considerato un serio concorrente degli RCTs.

Variabili Strumentali: Aiutano a scoprire informazioni causali anche senza controllare o raccogliere dati sui confondenti, utilizzando una variabile (Z) che influenza il trattamento (X), ma influisce sull’esito (Y) solo attraverso X, ed è non confusa da U (confondente non misurato).

Reti Bayesiane e Giunzioni:

Le reti Bayesiane sono modelli grafici che rappresentano relazioni probabilistiche tra variabili. I diagrammi causali sono un tipo di rete Bayesiana in cui le frecce significano relazioni causali dirette.

Tre Tipi Base di Giunzioni (elementi costitutivi delle reti):

Catene (A → B → C): Controllare per B impedisce il flusso di informazioni tra A e C.

Forks (A ← B → C): B è una causa comune o confondente di A e C. Controllare per B impedisce il flusso di informazioni tra A e C.

Collider (A → B ← C): A e C sono inizialmente indipendenti, ma condizionare su B (il collider) li rende dipendenti. Questo è noto come “collider bias” o “explain-away effect”. Comprendere queste giunzioni è cruciale per testare modelli causali e valutare interventi.

Modelli Causali Strutturali (SCMs):

Estendono i diagrammi di percorso specificando matematicamente come le variabili “ascoltano” le altre tramite funzioni matematiche (es. S = fS(EX, ED, US)). Questa informazione funzionale è fondamentale per gestire i controfattuali.

A differenza delle equazioni di regressione, gli SCM si impegnano a rappresentare le credenze causali effettive.

Permettono il calcolo di controfattuali (es. “Il prigioniero sarebbe vivo se il fuciliere A non avesse sparato?”) manipolando equazioni o eliminando frecce.

Analisi di Mediazione:

Indaga come un trattamento influenzi un risultato attraverso una “variabile mediatrice” (es. Fumo → Catrame → Cancro).

Distingue tra effetti totali, diretti e indiretti.

Ha introdotto la Formula di Mediazione, che permette di stimare gli effetti diretti e indiretti naturali da dati osservazionali, anche per modelli non lineari, rendendoli strumenti pratici.