Metodologia  da  Pesquisa  Cien1fica  Aula  06:  Causalidade  e  Abdução  Professor:  Alexandre  Duarte  Web:  h5p://alexandre.ci.ufpb.br/ensino/mpc  

CAUSALIDADE  

“The   paradigma,c   asser,on   in   causal   rela,onships  is   that   manipula,on   of   a   cause   will   result   in   the  manipula,on  of  an  effect...    Causa>on   implies   that   by   varying   one   factor,   I   can  make  another  vary.”  -­‐  Cook  &  Campbell  (1979).  

Por  que  nos  preocupamos  com  causalidade?  

•  Explicação  –  Uma  associação  nos  permite  prever  mas  não  explicar  um  fenômeno  

–  A  iden>ficação  dos  mecanismos  de  causalidade  nos  permite  produzir  explicações  mais  sa>sfatórias    

•  Controle  –  Entender  a  causalidade  nos  permite  prever  os  efeitos  de  determinadas  ações  sem  que  elas  precisem  ser  executadas  

–  Isso  possibilita  uma  exploração  mais  eficiente  do  espaço  amostral  

Development  of  Western   science   is  based  on   two  great   achievements:   the   inven>on   of   the   formal  logical   system   (in   Euclidean   geometry)   by   the  Greek   philosophers,   and   the   discovery   of   the  possibility   to   find   out   causal   rela>onships   by  systema>c  experiment  (during  the  Renaissance).      Albert  Einstein  (1953)      

Não  seria  trivial  iden>ficar  causalidade  em  sistema  projetos  por  nós  ?  

•  Tarefa/Ambiente:  Nós  não  projetamos  vários  dos  aspectos  responsáveis  pelo  comportamento  

•  Complexidade:  Nós  nem  sempre  entendemos  as  causas  para  determinados  comportamentos  

•  Spandrels:  Limitações  do  projeto  muitas  vezes  criam  funcionalidades  acidentais,  muitas  das  quais  podem  parecer  ser  (ou  efe>vamente  ser)  causais.    

“As  computer  scien>sts,  we  design  our  systems,  and  we  leave  out  extraneous  components.  Isn’t  everything  causal?”  

Spandrels  e  sistemas  projetados  

Spandrels  e  sistemas  projetados  

Spandrels  em  Ciência  da  Computação  

•  Várias  das  caracterís>cas  de  um  sistema  são..  –  Inteiramente  acidentais  (“Tínhamos  que  escolher  uma  ou  outra”)  

–  Resultado  de  limitações  de  projeto  (“O  compilador  do  Z354  não  conseguia  lidar  com  os  dados  então  >vemos  que  fazer  ...”)  

–  Selecionadas  de  acordo  com  a  crença  contemporânea  (“Foi  então  que  concluímos  que  roteamento  dinâmica  não  era,  de  fato,  pra>cável”)  

•  ...  e  muitas  outras  decisões  de  projeto  são  influenciadas  por  tais  caracterís>cas  ...  

•  ...  fazendo  com  que  elas  acabem  parecendo  ser  essenciais  ao  longo  do  tempo.  

Condições  para  inferência  causal  

•  Correlação  

 

•  Direção  

•  Eliminação  de  potencias  causas  comuns  

Condições  para  inferência  causal  

•  Correlação  

 

•  Direção  

•  Eliminação  de  potencias  causas  comuns  

A   B  

A   B  

C  

Por  que  correlação  pode  ser  cruel?  

Por  que  correlação  pode  ser  cruel?  

Por  que  correlação  pode  ser  cruel?  

Por  que  correlação  pode  ser  cruel?  

•  Variação  da  causa  potencial  (Quantas  alterna>vas  foram  examinadas?)  

•  Força  do  efeito  (O  que  um  “quase”  significa?)  •  Tamanho  da  amostra  (Dois  algoritmos  ou  vinte?)  

•  Independência  (Todos  os  algoritmos  são  derivados  de  uma  fonte  em  comum?)  

Por  que  correlação  não  é  suficiente?  

•  Correlação  com  a  causa  esperada  (“Fumar  causa  câncer”)  

•  Correlação  com  o  inverso  da  causa  esperada  (“Câncer  leva  as  pessoas  a  fumarem”)  

•  Correlação  com  uma  causa  oculta  (“Um  gene  leva  as  pessoas  a  fumarem  e  a  terem  câncer”)  

A   B  

A   B  

A   B  

C  

Eliminando  causas  comuns  •  Controle:    mantenha  potencias  causas  comuns  constantes  de  forma  que  elas  não  possam  afetar  o  resultado  (Bacon,  1620)  

•  Randomização:  Varia  de  forma  aleatória  os  níveis  de  potenciais  causas  comuns  de  forma  que  elas  não  possam  afetar  sistema>camente  o  resultado  (Fisher,  1925)  

•  Modelagem:    Meça,  modele  e  remova  matema>camente  o  os  efeitos  de  potenciais  causas  comuns  (Rubin  1974;  Spirtes,  Glymour  &  Scheines  1993;  Pearl  2000)  

Eliminando  causas  comuns:  Controle  

•  Selecione  explicitamente  os  níveis  (valores)  para  todas  as  outras  potenciais  causas  de  forma  que  apenas  as  causas  inves>gadas  possam  exercer  efeito  no  resultado  

•  Exemplo  –  Todos  os  par>cipantes  do  nosso  estudo  eram  alunos  do  1º  semestre  

–  No  começo  de  cada  execução  a  base  de  conhecimento  estava  vazia  

–  Cada  protocolo  foi  executado  em  cada  uma  das  K  redes  geradas  aleatoriamente  

•  O  que  pode  dar  errado?  –  Causas  desconhecidas  –  Falha  no  controle  –  Confounding  

Eliminando  causas  comuns:  Randomização  

•  Tenta>va  de  garan>r  que  o  efeito  de  outras  potenciais  causas  é  desprezível  –  Atribui  valores  a  variáveis  independentes  sem  qualquer  razão  

–  Permite  eliminar  causas  desconhecidas  •  Exemplos:  –  Distribuímos  aleatoriamente  os  dados  entre  o  grupo  de  treino  e  de  teste  

–  As  requisições  foram  tratadas  tanto  pelo  protocolo  an>go  quanto  pelo  novo  de  acordo  com  um  gerador  de  números  pseudoaleatórios  

•  O  que  pode  dar  errado?  –  Distribuição  não-­‐aleatória  –  Confounding  

Eliminando  causas  comuns:  Modelagem  

•  Ajustar  explicitamente  o  valor  do  efeito  para  descartar  os  efeitos  de  outras  potenciais  causas  

•  Exemplo  – Nós  incluímos  todas  as  potenciais  causas  conhecidas  além  de  x  em  nosso  modelo  de  regressão  linear  e  os  efeitos  de  x  con>nuam  a  ser  esta>s>camente  significa>vos  

•  O  que  pode  dar  errado?  –  Fatores  causais  desconhecidos  –  Erros  no  modelo  –  Bias  na  escolha  dos  parâmetros  do  modelo  

ABDUÇÃO  

“...a  method  of  reasoning  in  which  one  chooses  the  hypothesis  that  would,  if  true,  best  explain  the  relevant  evidence.  Abduc>ve  reasoning  starts  from  a  set  of  accepted  facts  and  infers  their  most  likely,  or  best,  explana>ons.”    

Formas  de  raciocínio  cienxfico  

•  Dedu>vo  – Dedução  lógica  

•  Indu>vo  –  Inferência  indu>va  

•  Abdu>vo    –  Inferência  abdu>va  

Raciocínio  Dedu>vo  

•  Uma  dedução  é  uma  espécie  de  argumento  no  qual  a  forma  lógica  válida  garante  a  verdade  da  conclusão  dada  a  veracidade  das  premissas  – Premissa  1:  Todos  os  homens  são  mortais.  – Premissa  2:  Sócrates  é  um  homem.  – Conclusão:  Sócrates  é  mortal.  

Raciocínio  Indu>vo  •  Infere  uma  conclusão  a  par>r  de  múl>plas  observações  de  fatos    

•  Observações  – O  ferro  conduz  eletricidade  – O  ferro  é  metal  – O  ouro  conduz  eletricidade  – O  ouro  é  metal  – O  cobre  conduz  eletricidade  – O  cobre  é  metal  

•  Inferência  indu>va  – Os  metais  conduzem  eletricidade.    

Raciocínio  Abdu>vo  

•  A  abdução  é  a  inferência  a  favor  da  melhor  explicação.  – A  hipótese  de  A  ser  verdadeira  explica  B.  – Nenhuma  outra  hipótese  pode  explicar  B  tão  bem  quanto  A.  

– Logo  A  é  provavelmente  verdadeira  

Raciocínio  abdu>vo  na  ciência  

•  A  abdução  seleciona,  entre  as  hipóteses  consideradas,  aquela  que  melhor  explica  as  evidências  

•  O  raciocínio  abdu>vo  é  fortemente  relacionado  ao  método  estaxs>co  da  máxima  verossimilhança    

•  Existe  várias  ameaças  óbvias  à  sua  validade  – Número  insuficiente  de  hipóteses  – Quan>dade  insuficiente  de  evidências  

•  Ambos  são  aspectos  chave  na  prá>ca  cienxfica  

Teorias  que  julgamos  serem  verdadeiras  

Teorias  que  são  efe>vamente  verdadeiras  

Teorias  que  achamos  que  foram  testadas  corretamente  

Teorias  que  já  foram  cogitadas  

Desafios  da  abdução  •  Definir  um  conjunto  de  hipóteses  com  grande  probabilidade  de  conter  a  hipótese  “verdadeira”  – Abordagem:  criar  o  maior  conjunto  possível  

•  Descobrir  que  há  hipóteses  válidos  fora  do  seu  conjunto  de  hipóteses  – Abordagem:  Avaliar  constantemente  seu  conjunto  de  hipóteses  o  expandido  sempre  que  os  dados  se  tornem  inexplicáveis  dada  qualquer  uma  das  hipóteses  consideradas  até  o  momento  

•  Criar  um  bom  conjunto  e  evidências  para  explicar    – Abordagem:    Busque  fontes  diversas  e  independente  de  evidências  com  as  quais  você  possa  avaliar  suas  hipóteses