因果确认度量：从辛普森悖论到 COVID-19

当我们比较两个原因对结果的影响时，如果每个分组的结论都与合并后的结论相反，我们认为存在辛普森悖论。现有的因果推断理论 (ECIT) 可以通过消除混杂因素的影响来消除悖论，从而使总体结论与分组结论一致。ECIT 使用相对风险差 Pd = max(0, (R - 1)/R)（R 表示风险比）作为因果关系的概率。相比之下，哲学家 Fitelson 使用确认度量 D（后验概率减去先验概率）来衡量因果关系的强度。Fitelson 的结论是，从贝叶斯确认的角度来看，我们应该直接接受总体结论，而不考虑悖论。作者之前提出了一个类似于 Pd 的贝叶斯确认度量 b*。为了克服 ECIT 与贝叶斯确认之间的矛盾，作者使用带有最小交叉熵准则的语义信息方法来推导因果确认度量 Cc = (R -1)/max(R, 1)。Cc 类似于 Pd，但具有归一化特性（介于 -1 和 1 之间）和原因对称性。它特别适用于一个原因抑制一个结果的情况，例如 COVID-19 疫苗控制感染。一些例子（关于肾结石治疗和 COVID-19）揭示了 Pd 和 Cc 比 D 更合理；Cc 比 Pd 更有用。