在生態學領域應用結構因果模型框架來進行觀察性資料的因果推論

文章於網路的封面標頭

文獻出處

Arif, Suchinta, and MacNeil, M. Aaron. 2023. “ Applying the Structural Causal Model Framework for Observational Causal Inference in Ecology.” Ecological Monographs 93( 1): e1554. https://doi.org/10.1002/ecm.1554

摘要 (待補)

Abstract (待補)

心得

我覺得這篇文章真的很有意思，也是我期望在博士班階段可以掌握的能力之一。

在傳統的統計學課程上，常常有一句俗諺：「相關非因果。」意思是當看到資料之間有相關性時，不一定代表兩者間有因果關係。這句話很經典，也是一個用來判斷分析邏輯的重要概念。

然而，可是，這個概念在傳統的費雪氏頻率學派的統計框架中雖然是對的，在不同學派的統計理論中卻不完全是如此。因果推論 (causal inference) 是統計學下的一項分支，專門討論如何正確地透過統計手法，來推斷事物間的因果關係，相關的手法包含 (但不限於) 結構方程式 (structural equation modeling, SEM)、potential outcome framework (PO)、路徑分析 (path analysis, PA)......等；而，這個統計手法並非是要用哪種統計模型，而是指「統計推論的邏輯」。

雖然我還不能很好的去說明因果推論在統計上的細節，但是「感覺上」的說明倒是可以，也就是我們可以稍微修改一下上面那句名言：「相關性暗示了某種程度的因果關係。」事物有相關，代表它們之間有某種因果連結，但因果的連結可長可短。這篇文章是一篇回顧型文章 (review paper)，整合並介紹了structural causal modeling (SCM) (Pearl, 2009) 於生態學應用的實例，推薦給需要的人！

P.S. 我還沒讀完，但正在進行。歡迎有興趣的大家找我討論文章內容～

(原文發表於：20230208, accessed from my personal Facebook post.)