Recientemente, me encontré con varios documentos y recursos en línea que mencionan la causalidad de Granger . La breve búsqueda en el artículo de Wikipedia correspondiente me dejó con la impresión de que este término se refiere a la causalidad en el contexto de series de tiempo (o, más generalmente, procesos estocásticos ). Además, leer esta bonita publicación en el blog creó una confusión adicional sobre cómo ver este enfoque.
De ninguna manera soy una persona conocedora de la causalidad, ya que mi comprensión difusa del concepto consiste en parte en sentido común , conocimiento común , cierta exposición al modelado de variables latentes y modelado de ecuaciones estructurales (SEM) y leer un poco del trabajo de Judea Pearl sobre causalidad: no es EL libro suyo, sino más bien como un interesante documento de resumen de Pearl (2009), que por alguna razón, sorprendentemente, no menciona la causalidad de Granger en absoluto.
En este contexto, me pregunto si la causalidad de Granger es algo más general que un marco de series de tiempo (estocástico) y, si es así, cuál es su relación (puntos en común y diferencias) con el marco de causalidad de Pearl , basado en el modelo causal estructural ( SCM) , que, por lo que entiendo, se basa, a su vez, en gráficos acíclicos directos (DAG) y contrafácticos . Parece que la causalidad de Granger se puede clasificar como un enfoque general a la inferencia causal para sistemas dinámicos , considerando la existencia de modelos causales dinámicos (DCM)enfoque (Chicharro y Panzeri, 2014). Sin embargo, mi preocupación es si (y, de ser así, cómo) es posible comparar los dos enfoques, uno de los cuales se basa en el análisis de procesos estocásticos y el otro no.
En términos más generales, ¿cuál cree que sería un enfoque sensible de alto nivel , si es posible, para considerar todas las teorías de causalidad existentes en la actualidad dentro de un solo marco integral de causalidad (como diferentes perspectivas )? Esta pregunta se desencadena en gran medida por mi intento de leer un artículo excelente y completo de Chicharro y Panzeri (2014), así como por la revisión de un interesante curso de inferencia causal en la Universidad de California, Berkeley (Petersen & Balzer, 2014).
Referencias
Chicharro, D. y Panzeri, S. (2014). Algoritmos de inferencia causal para el análisis de conectividad efectiva entre regiones cerebrales. Frontiers in Neuroinformática, 8 (64). doi: 10.3389 / fninf.2014.00064 Recuperado de http://journal.frontiersin.org/article/10.3389/fninf.2014.00064/pdf
Pearl, J. (2009). Inferencia causal en estadística: una visión general. Encuestas estadísticas, 3 , 96–146. doi: 10.1214 / 09-SS057 Recuperado de http://projecteuclid.org/download/pdfview_1/euclid.ssu/1255440554
Petersen, M. y Balzer, L. (2014). Introducción a la inferencia causal. Universidad de California, Berkeley. [Sitio web] Recuperado de http://www.ucbbiostat.com