Estatística e Inferência Causal: um passo adiante na tomada de decisão

Lendo o "Livro do Porquê", de Judea Pearl e @Dana Mackenzie percebemos seu impacto na estatística ao enfatizar a importância de ir além da correlação e focar na inferência causal para determinar relações de causa e efeito. Os autores destacam que, ao compreender essas relações, podemos tomar melhores decisões.

A estatística tradicional foca principalmente em associações e correlações, enquanto a inferência causal busca determinar relações de causa e efeito. A estatística usa métodos como médias, desvios-padrão e testes de significância para analisar padrões nos dados, enquanto a inferência causal vai além e emprega experimentos controlados (A/B testing), gráficos causais (DAGs) e modelos contrafactuais para identificar relações de causa e efeito.

A inferência causal é um processo de identificar a relação causal. Pearl e Mackenzie descrevem três níveis de inferência causal:

1) Associação: Identifica correlações e utiliza a estatística descritiva para isso. Técnicas como médias, desvios-padrão e testes de significância ajudam a analisar padrões. Por exemplo, podemos observar se anúncios estão correlacionados com vendas.

2) Intervenção: Manipula variáveis para observar seus efeitos, o que é possível por meio de experimentos. Técnicas como experimentos controlados (A/B testing) e análise de variância (ANOVA) são frequentemente usadas nesse nível. Por exemplo, ao testar uma nova estratégia de marketing, podemos prever seu impacto antes de implementá-la, reduzindo riscos.

3) Contrafactuais: Explora cenários hipotéticos do tipo “o que teria acontecido se…”, ajudando a entender a causalidade ao imaginar resultados diferentes sob condições alternativas. Para isso, utilizam-se modelos para entender relações de causa e efeito. Gráficos causais (DAGs), modelos contrafactuais, modelos de simulação, inferência bayesiana e análise de cenários hipotéticos são empregados nessa esfera. Por exemplo, podemos otimizar campanhas ou desenvolver produtos, proporcionando benefícios tangíveis e um diferencial competitivo no mercado.

Outras técnicas, como regressão, testes estatísticos, aprendizagem de máquina e aprendizagem por reforço podem ser usadas tanto para encontrar padrões estatísticos quanto para fazer inferências causais, mas a diferença está no desenho do estudo e na interpretação dos resultados.

Sugestão de leitura:
Pearl, Judea e Mackenzie, Dana. O livro do porquê. 1ª ed. Temas e Debates, 2019
https://amzn.to/4gXwRjo

RIS-ALA, Rafael. Fundamentos de Aprendizagem por Reforço. 1ª ed. Rio de Janeiro, 2023. doi: 10.58976/9786500604368
https://amzn.to/3AbMVPk

#causalidade #aprendizagemdemaquina #inferenciacausal #livro #cultura 
hashtag

Originalmente publicado pelo Professor Rafael Ris-Ala em:

https://www.linkedin.com/feed/update/urn:li:activity:7299736767933431809/