#систематика /// Причинность и данные
Мы строим ПСС для принятия решения. Это решение нам нужно для достижения цели. Вот эта самая цель должна быть следствием для нашей ПСС. В противном случае это лишь проверка связей между медиаторами. Можно говорить об общей / основной ПСС для целевого действия / события.
Для построения ПСС (например, в виде графа) собираем всю информацию, которая может влиять на события в цепочке. Важно, что именно модель, которую мы строим, определяет данные для проверки, а не наоборот. То есть, не "взяли доступные данные и сооружаем из них какую-то модель", а "построили модель-гипотезу, и для ее проверки собираем данные".
В итоге цепочка действий для принятия решений с помощью ПСС выглядит так:
1) Определить целевое следствие — что именно мы хотим получить в итоге или что именно мы хотим проверить, признать следствием (это важно, так как чаще всего мы хотим узнать причину, так вот необходимо четко понимать, строго сформулировать причину чего мы хотим найти).
2) Определив следствие — строим ПСС-модель, графически или текстом. На этом этапе важно собрать: релевантные наблюдения, экспертные мнения (собственные или доступные в окружении).
3) Проводим проверку с помощью контрфактических суждений: отсекаем случайности, искажающие факторы, недостаточно сильные и неоднозначные свидетельства.
4) Составляем гипотезы вида "необходимо сделать / перестать делать X, чтобы случилось Y", где X и Y — измеримые, в идеале количественные, показатели. Именно для этих показателей необходимо собирать данные, готовить эксперимент для проверки гипотезы.
___
#причинно_следственная_связь #цель #данные #эксперимент
Мы строим ПСС для принятия решения. Это решение нам нужно для достижения цели. Вот эта самая цель должна быть следствием для нашей ПСС. В противном случае это лишь проверка связей между медиаторами. Можно говорить об общей / основной ПСС для целевого действия / события.
Для построения ПСС (например, в виде графа) собираем всю информацию, которая может влиять на события в цепочке. Важно, что именно модель, которую мы строим, определяет данные для проверки, а не наоборот. То есть, не "взяли доступные данные и сооружаем из них какую-то модель", а "построили модель-гипотезу, и для ее проверки собираем данные".
В итоге цепочка действий для принятия решений с помощью ПСС выглядит так:
1) Определить целевое следствие — что именно мы хотим получить в итоге или что именно мы хотим проверить, признать следствием (это важно, так как чаще всего мы хотим узнать причину, так вот необходимо четко понимать, строго сформулировать причину чего мы хотим найти).
2) Определив следствие — строим ПСС-модель, графически или текстом. На этом этапе важно собрать: релевантные наблюдения, экспертные мнения (собственные или доступные в окружении).
3) Проводим проверку с помощью контрфактических суждений: отсекаем случайности, искажающие факторы, недостаточно сильные и неоднозначные свидетельства.
4) Составляем гипотезы вида "необходимо сделать / перестать делать X, чтобы случилось Y", где X и Y — измеримые, в идеале количественные, показатели. Именно для этих показателей необходимо собирать данные, готовить эксперимент для проверки гипотезы.
___
#причинно_следственная_связь #цель #данные #эксперимент
#систематика /// Построение причинно-следственной связи
ПСС строится из экспертных мнений и контрфактических суждений (КФ-суждения).
Базовый алгоритм:
1. Придумываем / выявляем цепочку событий, которые выглядят для нас наиболее логично и непротиворечиво. Проще говоря — "как надо", где надо == наш ролевой интерес.
2. Избегаем соблазна оставить в модели псевдо-связи, которые кажутся релевантными, однако на самом деле только "шумят" и создают дребезг. Их нельзя оставлять только потому что "они же тут рядом".
3. Отслеживаем: дребезг в модели, места где "непонятно как работает", контрфактические изменения (которые говорят о том, что причина и следствие не связаны). Если что-то из этого есть в модели, значит модель пока не готова, продолжаем поиск — ищем элементы для ПСС-модели + продолжаем исследования — напрягаем мозги (делаем контрфактические суждения) и экспертов (собираем априорные данные).
4. Альтернативный (или дополнительный) подход — фиксируем желаемый результат (следствие в строящейся модели) и ищем / подбираем наиболее сильные элементы-события, лучшие кандидаты на элементы-причины.
5. Если предыдущие четыре пункта пройдены и у нас есть модель со всеми элементами, то нам осталось только понять какие именно нужны данные для проверки модели. Данные получаем в ходе эксперимента. На этом этапе важно не поддаваться моде сбора данных: не собирать лишние, чтобы экономить на их сборе и интерпретации + не собирать данные для построения модели, а только для проверки уже построенной модели.
Когда есть модель с достаточным количеством элементов, и определены необходимые данные, то можно приступать с эксперименту, который включаем сбор данных и собственно проверку гипотезы.
___
#псс #причинно_следственная_связь #моделирование #эксперимент
ПСС строится из экспертных мнений и контрфактических суждений (КФ-суждения).
Базовый алгоритм:
1. Придумываем / выявляем цепочку событий, которые выглядят для нас наиболее логично и непротиворечиво. Проще говоря — "как надо", где надо == наш ролевой интерес.
2. Избегаем соблазна оставить в модели псевдо-связи, которые кажутся релевантными, однако на самом деле только "шумят" и создают дребезг. Их нельзя оставлять только потому что "они же тут рядом".
3. Отслеживаем: дребезг в модели, места где "непонятно как работает", контрфактические изменения (которые говорят о том, что причина и следствие не связаны). Если что-то из этого есть в модели, значит модель пока не готова, продолжаем поиск — ищем элементы для ПСС-модели + продолжаем исследования — напрягаем мозги (делаем контрфактические суждения) и экспертов (собираем априорные данные).
4. Альтернативный (или дополнительный) подход — фиксируем желаемый результат (следствие в строящейся модели) и ищем / подбираем наиболее сильные элементы-события, лучшие кандидаты на элементы-причины.
5. Если предыдущие четыре пункта пройдены и у нас есть модель со всеми элементами, то нам осталось только понять какие именно нужны данные для проверки модели. Данные получаем в ходе эксперимента. На этом этапе важно не поддаваться моде сбора данных: не собирать лишние, чтобы экономить на их сборе и интерпретации + не собирать данные для построения модели, а только для проверки уже построенной модели.
Когда есть модель с достаточным количеством элементов, и определены необходимые данные, то можно приступать с эксперименту, который включаем сбор данных и собственно проверку гипотезы.
___
#псс #причинно_следственная_связь #моделирование #эксперимент
#систематика /// Сбор данных и эксперимент
Пререквизит для проведения эксперимента:
- Хорошо ли сформулирована гипотеза? Она должны хорошо объяснять.
- Есть ли оценка априорных шансов? Нам необходимы известные данные по нашему вопросы в домене.
- Есть ли свидетельства против нашей гипотезы? Необходимо провести контрфактические суждения, проверить связность модели.
- Посчитана ли правдоподобность? Важно численно выразить следствие в нашей модели, убедиться, что это следствие есть именно то, что мы хотим получить когда будем принимать решение по итогу проведения эксперимента.
Если чего-то из этого списка нет в наличии, то высок риск, что проверять гипотезу на эксперименте "в мире" (а не в голове) будет дорого и, вероятно, бессмысленно. То есть, гипотезу надо доформулировать. Достроить модель.
Если чего-то из этого нет, и при этом не получается добыть (элементы модели, данные), то надо создать связанную гипотезу — "соседнюю" / "прокси"-гипотезу. Это часто случается при проверке гипотез, связанных с абстрактными вещами, такими как креативность, мышление, успешность, etc.
Финальная проверка на дешевизну проверки гипотез:
- Осталась ли какая-либо неопределенность?
- Нужны ли еще элементы модели или уже только данные?
Если в ответах на эти вопросы есть хоть одно "да", то дополняем модель данными.
Если среди ответов нет "да", то переходим к сбору данных.
Данные:
1. Каких данных минимально достаточно? Нам не нужны лишние данные, чтобы не тратить ресурсы на их поиск, обработку, интерпретацию.
2. Проверка на опровержение — представляем, что у нас есть идеальные данные. Возможно ли обнаружить еще какие-либо данные, которые опровергнут нашу идеальную модель с подстваленными идеальными данными?
3. По итогу этих двух пунктов решаем, какие еще данные нужны, какие еще элементы модели нужны. То есть, откатываемся на построение ПСС, если необходимо, и снова переходим к сбору данных.
4. Итерируем эти шанги до максимально стройной и сильной модели.
Основной принцип дешевизны проверки гипотез — не проверять то, что можно проверить в голове (чаще всего на КФ-суждениях). Чаще всего дешевле потратить полдня с блокнотом и ручкой, чем несколько дней на сбор и интерпретацию в в лучшем случае ненужных, а в худшем искажающих данных.
___
#псс #причинно_следственная_связь #моделирование #эксперимент
Пререквизит для проведения эксперимента:
- Хорошо ли сформулирована гипотеза? Она должны хорошо объяснять.
- Есть ли оценка априорных шансов? Нам необходимы известные данные по нашему вопросы в домене.
- Есть ли свидетельства против нашей гипотезы? Необходимо провести контрфактические суждения, проверить связность модели.
- Посчитана ли правдоподобность? Важно численно выразить следствие в нашей модели, убедиться, что это следствие есть именно то, что мы хотим получить когда будем принимать решение по итогу проведения эксперимента.
Если чего-то из этого списка нет в наличии, то высок риск, что проверять гипотезу на эксперименте "в мире" (а не в голове) будет дорого и, вероятно, бессмысленно. То есть, гипотезу надо доформулировать. Достроить модель.
Если чего-то из этого нет, и при этом не получается добыть (элементы модели, данные), то надо создать связанную гипотезу — "соседнюю" / "прокси"-гипотезу. Это часто случается при проверке гипотез, связанных с абстрактными вещами, такими как креативность, мышление, успешность, etc.
Финальная проверка на дешевизну проверки гипотез:
- Осталась ли какая-либо неопределенность?
- Нужны ли еще элементы модели или уже только данные?
Если в ответах на эти вопросы есть хоть одно "да", то дополняем модель данными.
Если среди ответов нет "да", то переходим к сбору данных.
Данные:
1. Каких данных минимально достаточно? Нам не нужны лишние данные, чтобы не тратить ресурсы на их поиск, обработку, интерпретацию.
2. Проверка на опровержение — представляем, что у нас есть идеальные данные. Возможно ли обнаружить еще какие-либо данные, которые опровергнут нашу идеальную модель с подстваленными идеальными данными?
3. По итогу этих двух пунктов решаем, какие еще данные нужны, какие еще элементы модели нужны. То есть, откатываемся на построение ПСС, если необходимо, и снова переходим к сбору данных.
4. Итерируем эти шанги до максимально стройной и сильной модели.
Основной принцип дешевизны проверки гипотез — не проверять то, что можно проверить в голове (чаще всего на КФ-суждениях). Чаще всего дешевле потратить полдня с блокнотом и ручкой, чем несколько дней на сбор и интерпретацию в в лучшем случае ненужных, а в худшем искажающих данных.
___
#псс #причинно_следственная_связь #моделирование #эксперимент