Spelling suggestions: "subject:" causal relationships"" "subject:" kausal relationships""
1 |
A conditional view of causalityWeinert, Friedel January 2007 (has links)
No / Causal inference is perhaps the most important form of reasoning in the sciences. A panoply of disciplines, ranging from epidemiology to biology, from econometrics to physics, make use of probability and statistics to infer causal relationships. The social and health sciences analyse population-level data using statistical methods to infer average causal relations. In diagnosis of disease, probabilistic statements are based on population-level causal knowledge combined with knowledge of a particular person¿s symptoms. For the physical sciences, the Salmon-Dowe account develops an analysis of causation based on the notion of process and interaction. In artificial intelligence, the development of graphical methods has leant impetus to a probabilistic analysis of causality. The biological sciences use probabilistic methods to look for evolutionary causes of the state of a current species and to look for genetic causal factors. This variegated situation raises at least two fundamental philosophical issues: about the relation between causality and probability, and about the interpretation of probability in causal analysis.
In this book we bring philosophers and scientists together to discuss the relation between causality and probability, and the applications of these concepts within the sciences.
|
2 |
An Exploration of the Relationship between Mode Choice and Complexity of Trip Chaining PatternsYe, Xin 22 April 2004 (has links)
This thesis investigates the relationship between mode choice and the complexity of trip chaining patterns. An understanding of the causality between these two choice behaviors may aid in the development of tour-based travel demand modeling systems that attempt to incorporate models of trip chaining and mode choice. The relationship between these two aspects of travel behavior is represented in this thesis by considering three different causal structures: one structure in which the trip chaining pattern is determined first and influences mode choice, another structure in which mode choice is determined first and influences the complexity of the trip chaining pattern, and a third structure in which neither is predetermined but both are determined simultaneously. The first two structures are estimated within a recursive bivariate probit modeling framework that accommodates error covariance. The simultaneous logit model is estimated for the third structure that allows a bidirectional simultaneous causality. The analysis and model estimation are performed separately for work tour and non-work tour samples drawn from the 2000 Swiss Microcensus travel survey. Model estimation results show that the causal structure in which trip chaining precedes mode choice performs best for the non-work tour sample. For the work-tour sample, the findings were less conclusive because two causal structures, one in which trip chaining affects mode choice and the other in which both are determined simultaneously, gave virtually identical goodness-of-fit measures. But the structure in which mode choice precedes trip chaining pattern choice gave significantly inferior goodness-of-fit measures for the work tour sample. These findings should be reflected in the development of activity-based and tour-based modeling systems.
|
3 |
Redes Bayesianas aplicada à predição de vendas em uma grande rede de fast-food brasileira / Bayesian Networks applied to the prediction of sales in a large Brazilian fast food chainSilva, Robson Fernandes da 18 February 2019 (has links)
O segmento de fast-food tornou-se um mercado muito concorrido e com empresas bem conhecidas, tais como: Subway, McDonalds, Burguer King, Bobs e Habibs. Técnicas de inteligência artificial e ciência de dados podem oferecer inúmeros benefícios para este mercado, como por exemplo, permitir o desenvolvimento de modelos computacionais para tomada de decisões. No contexto de finanças onde envolvam a comercialização de determinados produtos, é muito comum deparar-se com cenários que envolvam incerteza, principalmente quando se deseja realizar projeções financeiras, avaliar riscos e estimativas. O objetivo deste trabalho consiste em desenvolver modelos probabilísticos baseados em Redes Bayesianas (RB) para realizar predições em vendas e análise de causalidade entre variáveis que influenciam no processo de comercialização de determinados grupos de produtos no seguimento de fast-food. Nesta análise foram avaliadas Redes Bayesianas com aprendizado de estrutura baseado em restrições, através do algoritmo Grow Shrink (GS), e Redes Bayesianas com aprendizado de estrutura baseado em pontuação, através do algoritmo Hill-Climbing (HC), posteriormente foram comparadas com um modelo de série temporal baseado em Generalized Additive Model (GAM). Os dados para análise foram adquiridos de uma rede de fast-food brasileira que possui cerca de 1100 lojas associadas, destas, foram utilizadas lojas que pertencem ao estado de São Paulo, assim como avaliado variáveis de grupos de vendas no período de 2010 à 2017. Os resultados foram avaliados através da métrica Mean Absolute Percentage Error (MAPE), que considera valores reais alimentados em modelos e valores ajustados a partir do modelo e calcula a diferença absoluta entre os dois como porcentagem do valor real, com base neste cálculo é possível obter a acurácia de cada modelo. A Rede Bayesiana (RB) com aprendizagem de estrutura baseada em pontuação, utilizando o algoritmo Hill Climbing (HC), foi escolhida como o melhor modelo, pois apresentou relações causais mais coerentes entre os vértices que influenciam o processo de venda, bem como combinações de vértices que resultam em combos de produtos, além disso, resultou em 97.60% de acurácia na previsão de vendas das lojas do estado de São Paulo (SP) na amostra de teste avaliada, com base na métrica Mean Absolute Percentage Error (MAPE). / The fast-food segment has become a busy market with well-known companies such as: Subway, McDonalds, Burger King, Bobs and Habibs. Artificial intelligence and data science techniques can offer innumerable benefits to this market, such as allowing the development of computational models for decision making. In the context of finances involving the marketing of certain products, it is very common to come across scenarios where uncertainty is involved, especially when financial projections are desired, to evaluate risks and estimation. The objective of this work is to develop probabilistic models based on Bayesian Networks (BN) to make sales predictions and causality analysis among variables that influence the commercialization process of certain product groups in the fast-food segment. In this analysis we evaluated Bayesian networks with learning of structure based on constraints, through the algorithm Grow Shrink (GS), and Bayesian Networks with learning of structure based on score, through the algorithm Hill-Climbing (HC), later were compared with a model time series based on Generalized Additive Model (GAM). The data for analysis were acquired from a Brazilian fast-food chain with approximately 1100 associated stores, of which stores were used that belong to the state of São Paulo, as well as evaluated variables of sales groups in the period from 2010 to 2017. The results were evaluated by using the Mean Absolute Percentage Error (MAPE), which considers real values fed in models and values adjusted from the model and calculates the absolute difference between the two as a percentage of the real value, based on this calculation it is possible to obtain the accuracy of each model. The Bayesian Network (BN) with scoring based structure learning, using the Hill Climbing (HC) algorithm, was chosen as the best model because it presented more coherent causal relationships between vertices that influence the sales process, as well as combinations of vertices that result in product combos, in addition, achieved a 97.60% accuracy in the sales forecast of stores in the state of Sao Paulo (SP) in the test sample evaluated, based on the Mean Absolute Percentage Error (MAPE) metric.
|
4 |
Análise do impacto de perturbações sobre medidas de qualidade de ajuste para modelos de equações estruturais / Analysis of the impact of disturbances over the measures of goodness of fit for structural equation modelsRenata Trevisan Brunelli 11 May 2012 (has links)
A Modelagem de Equações Estruturais (SEM, do inglês Structural Equation Modeling) é uma metodologia multivariada que permite estudar relações de causa/efeito e correlação entre um conjunto de variáveis (podendo ser elas observadas ou latentes), simultaneamente. A técnica vem se difundindo cada vez mais nos últimos anos, em diferentes áreas do conhecimento. Uma de suas principais aplicações é na conrmação de modelos teóricos propostos pelo pesquisador (Análise Fatorial Conrmatória). Existem diversas medidas sugeridas pela literatura que servem para avaliar o quão bom está o ajuste de um modelo de SEM. Entretanto, é escassa a quantidade de trabalhos na literatura que listem relações entre os valores de diferentes medidas com possíveis problemas na amostra e na especicação do modelo, isto é, informações a respeito de que possíveis problemas desta natureza impactam quais medidas (e quais não), e de que maneira. Tal informação é importante porque permite entender os motivos pelos quais um modelo pode estar sendo considerado mal-ajustado. O objetivo deste trabalho é investigar como diferentes perturbações na amostragem, especicação e estimação de um modelo de SEM podem impactar as medidas de qualidade de ajuste; e, além disso, entender se o tamanho da amostra influencia esta resposta. Simultaneamente, também se avalia como tais perturbações afetam as estimativas, dado que há casos de perturbações em que os parâmetros continuam sendo bem ajustados, mesmo com algumas medidas indicando um mau ajuste; ao mesmo tempo, há ocasiões em que se indica um bom ajuste, enquanto que os parâmetros são estimados de forma distorcida. Tais investigações serão realizadas a partir de simulações de exemplos de amostras de diferentes tamanhos para cada tipo de perturbação. Então, diferentes especicações de modelos de SEM serão aplicados a estas amostras, e seus parâmetros serão estimados por dois métodos diferentes: Mínimos Quadrados Generalizados e Máxima Verossimilhança. Conhecendo tais resultados, um pesquisador que queira aplicar a técnica de SEM poderá se precaver e, dentre as medidas de qualidade de ajuste disponíveis, optar pelas que mais se adequem às características de seu estudo. / The Structural Equation Modeling (SEM) is a multivariate methodology that allows the study of cause-and-efect relationships and correlation of a set of variables (that may be observed or latent ones), simultaneously. The technique has become more diuse in the last years, in different fields of knowledge. One of its main applications is on the confirmation of theoretical models proposed by the researcher (Confirmatory Factorial Analysis). There are several measures suggested by literature to measure the goodness of t of a SEM model. However, there is a scarce number of texts that list relationships between the values of different of those measures with possible problems that may occur on the sample or the specication of the SEM model, like information concerning what problems of this nature impact which measures (and which not), and how does the impact occur. This information is important because it allows the understanding of the reasons why a model could be considered bad fitted. The objective of this work is to investigate how different disturbances of the sample, the model specification and the estimation of a SEM model are able to impact the measures of goodness of fit; additionally, to understand if the sample size has influence over this impact. It will also be investigated if those disturbances affect the estimates of the parameters, given the fact that there are disturbances for which occurrence some of the measures indicate badness of fit but the parameters are not affected; at the same time, that are occasions on which the measures indicate a good fit and there are disturbances on the estimates of the parameters. Those investigations will be made simulating examples of different size samples for which type of disturbance. Then, SEM models with different specifications will be fitted to each sample, and their parameters will be estimated by two dierent methods: Generalized Least Squares and Maximum Likelihood. Given those answers, a researcher that wants to apply the SEM methodology to his work will be able to be more careful and, among the available measures of goodness of fit, to chose those that are more adequate to the characteristics of his study.
|
5 |
Análise do impacto de perturbações sobre medidas de qualidade de ajuste para modelos de equações estruturais / Analysis of the impact of disturbances over the measures of goodness of fit for structural equation modelsBrunelli, Renata Trevisan 11 May 2012 (has links)
A Modelagem de Equações Estruturais (SEM, do inglês Structural Equation Modeling) é uma metodologia multivariada que permite estudar relações de causa/efeito e correlação entre um conjunto de variáveis (podendo ser elas observadas ou latentes), simultaneamente. A técnica vem se difundindo cada vez mais nos últimos anos, em diferentes áreas do conhecimento. Uma de suas principais aplicações é na conrmação de modelos teóricos propostos pelo pesquisador (Análise Fatorial Conrmatória). Existem diversas medidas sugeridas pela literatura que servem para avaliar o quão bom está o ajuste de um modelo de SEM. Entretanto, é escassa a quantidade de trabalhos na literatura que listem relações entre os valores de diferentes medidas com possíveis problemas na amostra e na especicação do modelo, isto é, informações a respeito de que possíveis problemas desta natureza impactam quais medidas (e quais não), e de que maneira. Tal informação é importante porque permite entender os motivos pelos quais um modelo pode estar sendo considerado mal-ajustado. O objetivo deste trabalho é investigar como diferentes perturbações na amostragem, especicação e estimação de um modelo de SEM podem impactar as medidas de qualidade de ajuste; e, além disso, entender se o tamanho da amostra influencia esta resposta. Simultaneamente, também se avalia como tais perturbações afetam as estimativas, dado que há casos de perturbações em que os parâmetros continuam sendo bem ajustados, mesmo com algumas medidas indicando um mau ajuste; ao mesmo tempo, há ocasiões em que se indica um bom ajuste, enquanto que os parâmetros são estimados de forma distorcida. Tais investigações serão realizadas a partir de simulações de exemplos de amostras de diferentes tamanhos para cada tipo de perturbação. Então, diferentes especicações de modelos de SEM serão aplicados a estas amostras, e seus parâmetros serão estimados por dois métodos diferentes: Mínimos Quadrados Generalizados e Máxima Verossimilhança. Conhecendo tais resultados, um pesquisador que queira aplicar a técnica de SEM poderá se precaver e, dentre as medidas de qualidade de ajuste disponíveis, optar pelas que mais se adequem às características de seu estudo. / The Structural Equation Modeling (SEM) is a multivariate methodology that allows the study of cause-and-efect relationships and correlation of a set of variables (that may be observed or latent ones), simultaneously. The technique has become more diuse in the last years, in different fields of knowledge. One of its main applications is on the confirmation of theoretical models proposed by the researcher (Confirmatory Factorial Analysis). There are several measures suggested by literature to measure the goodness of t of a SEM model. However, there is a scarce number of texts that list relationships between the values of different of those measures with possible problems that may occur on the sample or the specication of the SEM model, like information concerning what problems of this nature impact which measures (and which not), and how does the impact occur. This information is important because it allows the understanding of the reasons why a model could be considered bad fitted. The objective of this work is to investigate how different disturbances of the sample, the model specification and the estimation of a SEM model are able to impact the measures of goodness of fit; additionally, to understand if the sample size has influence over this impact. It will also be investigated if those disturbances affect the estimates of the parameters, given the fact that there are disturbances for which occurrence some of the measures indicate badness of fit but the parameters are not affected; at the same time, that are occasions on which the measures indicate a good fit and there are disturbances on the estimates of the parameters. Those investigations will be made simulating examples of different size samples for which type of disturbance. Then, SEM models with different specifications will be fitted to each sample, and their parameters will be estimated by two dierent methods: Generalized Least Squares and Maximum Likelihood. Given those answers, a researcher that wants to apply the SEM methodology to his work will be able to be more careful and, among the available measures of goodness of fit, to chose those that are more adequate to the characteristics of his study.
|
6 |
Analýza kauzálního vztahu mezi kardiovaskulárními signály / Causal interaction analysis of cardiovascular signalsTiurina, Mariia January 2019 (has links)
Application of the non-invasive methods to detection of the baroreflex sensitivity is a correct way to evaluate the functions of cardiovascular system. This master’s thesis describes the theoretical informations about the problem of baroreflex sensitivity from anatomical, patalogical and clinical views. Theoretical knowledges are foundation for mathematical description of some methods to detection of baroreflx sensitivity in time, frequency and information dimensions. In the practical part of the master’s theses are presented two methods of BRS detection – sequence method based on finding the specific sequences of time series signals and method of application bivariante autoregressive model. Both of methods are implemented in MATLAB. The results of testing data on real data are discussed.
|
Page generated in 0.1107 seconds