인과추론

Causal inference
이 글은 방법론적 인과 추론에 관한 것이다. 인과 추론의 이면에 있는 철학은 인과 추론을 참조하십시오.

인과 추론은 더 큰 시스템의 구성요소인 특정 현상의 독립적이고 실제적인 영향을 결정하는 과정이다. 인과 추론과 연관성의 주요한 차이는 인과 추론이 효과 변수의 원인이 변경되었을 때 효과 변수의 반응을 분석한다는 것이다.[1][2] 왜 사물이 발생하는지에 대한 과학은 생물학이라고 불린다. 인과 추론은 인과 추론에 의해 이론화된 인과관계의 증거를 제공한다고 한다.

인과 추론은 모든 과학에 걸쳐 광범위하게 연구된다. 인과관계를 판단하기 위해 고안된 방법론의 개발 및 구현에 있어서 몇 가지 혁신이 최근 수십 년 동안 급증했다. 인과적 추론은 실험이 어렵거나 불가능한 경우에 특히 어려운 것으로 남아 있는데, 이것은 대부분의 과학에서 흔히 볼 수 있다.

인과 추론에 대한 접근방식은 모든 유형의 과학 분야에 광범위하게 적용되며, 특정 분야를 위해 설계된 많은 인과 추론 방법은 다른 분야에서 사용된다는 것을 발견했다. 이 글은 인과 추론의 기본 과정을 간략하게 설명하고 여러 분야에 걸쳐 사용되는 더 일반적인 시험의 일부를 자세히 설명하지만, 이는 이러한 방법이 단지 해당 분야에서 가장 일반적으로 사용된다는 것을 암시하는 것으로 오인해서는 안 된다.

인과 추론은 수행하기가 어렵고 인과관계를 판단하는 적절한 방법에 대해 과학자들 사이에 상당한 논쟁이 있다. 다른 혁신에도 불구하고, 상관관계 결과의 인과관계에 대한 과학자들의 잘못 기여, 과학자들에 의한 잘못된 방법론의 사용, 통계적으로 유의한 추정치를 얻기 위한 분석 결과의 과학자들에 의한 고의적인 조작에 대한 우려가 남아 있다. 회귀 모형, 특히 선형 회귀 모형 사용 시 특히 우려가 제기된다.

정의

무엇의 원인을 추론하는 것은 다음과 같이 설명되었다.

  • "...어떤 것이 다른 것의 원인이거나 될 가능성이 높다는 결론에 도달했다."[3]
  • 원인과 결과의 공분산, 효과 이전의 원인과 시간 순서 관계, 타당한 대안적 원인을 제거함으로써 현상의 원인이나 원인을 규명한다.[4]

방법론

일반

추가 정보: 인과관계 및 인과 분석

원인 추론은 한 변수의 측정이 다른 변수의 측정에 영향을 미치는 것으로 의심되는 시스템의 연구를 통해 이루어진다. 과학적 방법에 관하여 인과 추론을 실시한다. 인과 추론의 첫 번째 단계는 위조할 수 있는 귀무 가설을 공식화하는 것이며, 이는 이후 통계적 방법으로 시험된다. 빈번한 통계적 추론은 귀무 가설에서 데이터가 우연히 발생할 확률을 결정하기 위해 통계적 방법을 사용하는 것이다. 베이지안 추론은 독립 변수의 효과를 결정하는 데 사용된다.[5] 일반적으로 통계적 추론은 무작위 변동인 원본 데이터의 변동과 잘 지정된 인과 메커니즘의 영향 사이의 차이를 결정하는 데 사용된다. 특히 상관관계는 인과관계를 의미하지 않기 때문에 인과관계 연구는 데이터 간의 변동과 마찬가지로 잠재적 인과 메커니즘의 연구와 관련이 있다.[citation needed] 자주 찾는 인과 추론 표준은 무작위로 치료가 할당되지만 다른 모든 교란 요인은 일정하게 유지되는 실험이다. 인과적 추론 노력의 대부분은 실험 조건을 복제하려는 시도다.

역학 연구는 위험 요소와 효과에 대한 증거를 수집하고 측정하는 다른 역학 방법과 두 가지 사이의 다른 측정 연관성을 사용한다. 인과 추론 방법에 대한 2020년 검토 결과 기존 문헌을 임상 훈련 프로그램에 사용하는 것이 어려울 수 있다는 사실이 밝혀졌다. 이는 발표된 논문이 진보된 기술적 배경을 가정하는 경우가 많으며, 복수의 통계적, 역학, 컴퓨터 과학 또는 철학적 관점에서 작성될 수 있으며, 방법론적 접근방식이 급속하게 확장되고 있으며, 인과적 추론의 많은 측면들이 제한된 커버리지를 받기 때문이다.[6]

인과 추론을 위한 일반적인 프레임워크는 구조 방정식 모델링과 루빈 인과 모델이다.[citation needed]

실험적인

추가 정보: 실험

인과적 메커니즘의 실험적인 검증은 실험적인 방법을 사용하여 가능하다. 실험의 주된 동기는 관심 변수를 의도적으로 조작하면서 다른 실험 변수를 일정하게 유지하는 것이다. 실험에서 치료 변수만 조작한 결과로 통계적으로 유의미한 효과를 내는 경우, 실험 설계에 대한 다른 기준이 충족되었다고 가정할 때 치료 변수에 인과 효과를 할당할 수 있다고 믿는 근거가 있다.

준실험

추가 정보: 준실험

인과 메커니즘에 대한 준 실험적인 검증은 전통적인 실험 방법을 사용할 수 없을 때 수행된다. 이는 실험을 수행하는 데 드는 엄청난 비용 또는 실험을 수행하는 데 내재된 타당성 결여의 결과일 수 있으며, 특히 선거제도의 경제 등 큰 시스템과 관련된 실험이나 시험 대상의 웰빙에 위험을 초래한다고 간주되는 치료법에 대한 결과일 수 있다. 준 실험은 법률적 이유로 정보가 보류되는 경우에도 발생할 수 있다.

역학에서의 접근법

역학학은 원인과 결과를 유추하기 위해 생명체의 정의된 개체군에서 건강과 질병의 패턴을 연구한다. 투입 위험 인자에 대한 노출과 질병 사이의 연관성은 암시적일 수 있지만 상관관계가 인과 관계를 의미하지는 않기 때문에 인과와 동등하지는 않다. 역사적으로, 코흐의 목판은 19세기부터 미생물이 질병의 원인인지를 결정하기 위해 사용되어 왔다. 20세기에 1965년에[7] 기술된 브래드포드 힐 기준은 미생물학 외의 변수의 인과관계를 평가하는 데 사용되었지만, 이러한 기준들조차도 인과관계를 결정하는 배타적인 방법은 아니다.

분자 역학에서 연구된 현상들은 유전학을 포함한 분자생물학적 수준에 있는데, 여기서 바이오마커는 원인이나 효과의 증거다.

최근의 경향은[when?] 새롭게 부상하고 있는 분자병리학 역학(MPE)의 학제간 분야에서 병든 조직이나 세포 내에서 분자병리학에 대한 노출의 영향에 대한 증거를 식별하는 것이다.[third-party source needed] 그 질병의 분자 병리학적 서명에 대한 노출을 연결하면 인과관계를 평가하는 데 도움이 될 수 있다.[third-party source needed] 주어진 질병의 이질성의 본질을 고려할 때 독특한 질병 원리인 질병 표현과 서브타이핑은 개인 맞춤형 의학과 정밀의학으로 대표되는 바이오의학과 공중보건학의 트렌드다.[third-party source needed]

컴퓨터 과학의 접근법

X와 Y라고 하는 두 개의 시간 독립 변수에 대한 공동 관측 데이터의 인과 판단은 X → Y 및 Y → X라는 방향의 일부 모델에 대한 증거 사이의 비대칭을 사용하여 다루어졌다. 주요 접근방식은 알고리즘 정보 이론 모델과 소음 모델에 기초한다.[citation needed]

노이즈 모델

모형에 독립적인 소음 항을 통합하여 두 방향의 증거를 비교하십시오.

다음은 Y → X 가설의 소음 모델 E:

  • 추가 노이즈:[8]
  • 선형 노이즈:[9]
  • 비선형 후:[10]
  • 이질적 소음:
  • 기능 노이즈:[11]

이러한 모형의 일반적인 가정은 다음과 같다.

  • Y의 다른 원인은 없다.
  • X와 E는 공통적인 원인이 없다.
  • 원인 분포는 인과적 메커니즘으로부터 독립적이다.

직관적인 수준에서, 공동 분포 P(원인, 효과)를 P(원인)*P(효과 원인)로 인수하면 일반적으로 전체 복잡도가 P(효과)*P(원인 효과)로 인자화보다 낮은 모델을 산출한다는 생각이다. '복잡성'이라는 개념은 직관적으로 호소력이 있지만, 어떻게 정확히 정의해야 하는지는 분명하지 않다.[11] 다른 방법의 제품군은 대량의 라벨링된 데이터로부터 인과 "발자국"을 발견하려고 시도하며, 보다 유연한 인과관계를 예측할 수 있도록 한다.[12]

사회과학의 접근방법

주요 기사: 인과관계 § 통계 및 경제

사회과학

일반적으로 사회과학은 인과관계를 평가하기 위한 정량적 프레임워크를 포함시키는 방향으로 점점 더 나아가고 있다. 이 중 많은 부분이 사회과학 방법론에 더 엄격한 기준을 제공하는 수단으로 설명되어 왔다. 정치학은 1994년 게리 킹, 로버트 키오헤인, 시드니 베르바에 의해 사회탐구 디자인 출판의 영향을 크게 받았다. 킹, 키오하인, 베르바는 연구자들에게 양적 방법과 질적 방법을 모두 적용하고, 관심 대상과 분석 단위를 더 명확하게 하기 위해 통계 추론 언어를 채택할 것을 권고한다.[13][14] 정량적 방법의 지지자들은 또한 점차적으로 도날드 루빈이 개발한 잠재적 결과 프레임워크를 인과관계를 추론하는 표준으로 채택하고 있다.[citation needed]

잠재적 결과 체계에서 통계적 추론에 대한 강조의 상당 부분이 남아 있는 반면, 사회과학 방법론학자들은 질적 방법과 양적 방법 둘 다로 인과 추론을 수행할 수 있는 새로운 도구를 개발했는데, 이는 때때로 "혼합된 방법" 접근법이라고 불린다.[15][16] 다양한 방법론적 접근법을 옹호하는 사람들은 서로 다른 방법론이 서로 다른 연구 주제에 더 적합하다고 주장한다. 사회학자 허버트 스미스와 정치학자 제임스 마호니, 게리 괴르츠는 1986년 논문 '통계학적 및 인과적 추론'의 저자인 폴 홀랜드의 관찰을 인용, 통계적 추론이 '영향의 원인'이 아닌 '원인의 영향'을 평가하는 데 가장 적절하다고 밝혔다.[17][18] 질적 방법론학자들은 공정 추적과 퍼지 집합 이론을 포함한 공식화된 인과관계 모델은 사례 연구 내 주요 인자의 식별이나 여러 사례 연구들 간의 비교 과정을 통해 인과관계를 추론할 기회를 제공한다고 주장해왔다.[14] 또한 이러한 방법론은 제한된 수의 잠재적 관측치 또는 교란 변수의 존재가 통계적 추론의 적용 가능성을 제한할 수 있는 주제에도 유용하다.[citation needed]

경제정치학

경제 과학과 정치 과학에서 인과 추론은 종종 어려운 경우가 있는데, 이는 경제 및 정치 현실의 현실 세계의 복잡성과 통제된 실험 내에서 많은 대규모 현상을 재현할 수 없기 때문이다. 사회과학자가 이용할 수 있는 기술수준의 증가, 사회과학자와 연구의 수치의 증가, 사회과학 전반에 걸친 인과추론 방법론의 개선으로 경제정치학의 인과추론은 방법론과 엄격성의 향상을 계속 보고 있다.[19]

경제 시스템의 인과관계를 결정하는 데 내재된 어려움에도 불구하고, 그 분야 전반에 걸쳐 널리 채택된 몇 가지 방법이 존재한다.

이론적 방법

경제학자와 정치학자는 이론(이론 중심의 계량학에서 종종 연구)을 사용하여 인과관계가 존재한다고 믿는 경우에 인과관계의 크기를 추정할 수 있다.[20] 이론가들은 인과관계가 있다고 믿어지는 메커니즘을 전제로 하고, 제안된 이론을 정당화하기 위해 데이터 분석을 사용하여 효과를 설명할 수 있다. 예를 들어, 이론가들은 비가 경제 생산성의 변동을 일으키지만 그 반대는 사실이 아니라는 이론과 같은 모델을 만들기 위해 논리를 사용할 수 있다.[21] 그러나, 어떠한 예측적 통찰력을 제공하지 않는 순수 이론적 주장을 사용하는 것은, 추정된 인과적 속성의 영향을 예측할 수 있는 능력이 없기 때문에, 「사전 과학」이라고 불려 왔다.[5] 사회과학의 회귀분석은 많은 현상들이 단기적으로나 특정 데이터 집합에서 상관관계가 있을 수 있지만 다른 기간이나 다른 데이터 집합에서는 상관관계가 없다는 것을 증명할 수 있기 때문에 본질적으로 인과관계를 내포하지 않는다는 것을 다시 한번 강조할 필요가 있다. 그러므로 인과관계를 상관적 속성으로 귀속시키는 것은 잘 정의되고 이성적인 인과 메커니즘이 없는 시기상조다.

기악 변수

기악 변수(IV) 기법은 모형의 설명 변수 중 하나와 모형의 오차항 사이의 상관관계를 제거하는 인과관계를 결정하는 방법이다. 모형의 오차항이 다른 변수의 변동과 연계될 경우 모형의 오차항이 아마도 그 설명 변수의 변동 효과일 것이라는 것이 여기서의 믿음이다. 따라서 새로운 기악 변수의 도입을 통한 이러한 상관관계의 제거는 모델 전체에 존재하는 오류를 감소시킨다.[22]

모델 명세

모델 명세서는 데이터 분석에 사용할 모델을 선택하는 행위다. 사회과학자(그리고 실제로 모든 과학자)는 서로 다른 모델들이 서로 다른 관계를 추정하는 데 능숙하기 때문에 사용할 올바른 모델을 결정해야 한다.[23]

모형 규격은 한 기간의 작용 효과가 후기에만 느껴지는, 서서히 나타나는 인과관계를 파악하는 데 유용할 수 있다. 상관관계는 두 변수가 특정 방향에서 서로 영향을 미치는지 아닌 비슷한 분산을 가지는지만 측정하므로 상관관계만으로 인과관계의 방향을 결정할 수 없다는 점을 유념할 필요가 있다. 인과적 행위가 인과적 효과에 선행한다고 믿기 때문에 사회과학자는 일정 기간 동안 특정 변수가 다른 변수에 미치는 영향을 구체적으로 찾아보는 모델을 사용할 수 있다. 이는 초기에 일어나는 현상을 치료 효과로 나타내는 변수를 사용하게 되는데, 여기서 계량학적 검사를 사용하여 이러한 치료 효과의 효과로 인한 데이터의 이후의 변화를 찾는데 사용되며, 치료 효과의 유의미한 차이에 따른 결과의 유의미한 차이가 인과관계 베트웨를 나타낼 수 있다.치료 효과와 측정된 효과(예: 그레인저-사고성 테스트) 그러한 연구는 시계열 분석의 예다.[24]

민감도 분석

다른 변수들 또는 회귀 분석의 회귀 분석에서 퇴행자는 서로 다른 변동의 원천이 서로 더 별도로 연구될 수 있도록 동일한 모델의 다양한 구현에 포함되거나 포함되지 않는다. 이것은 민감도 분석의 한 형태인데, 그것은 모델의 구현이 하나 이상의 새로운 변수의 추가에 얼마나 민감한지에 대한 연구다.[25]

민감도 분석의 사용에 있어 주된 동기를 부여하는 관심사는 교란 변수를 발견하는 것이다. 교란 변수는 통계적 시험 결과에 큰 영향을 미치지만 인과적 추론이 연구하려고 하는 변수는 아니다. 교란 변수는 한 구현에서는 유의한 것으로 보일 수 있지만 다른 구현에서는 그렇지 않은 것으로 보일 수 있다.

다중 공선성

민감도 분석을 사용하는 또 다른 이유는 다중 공선성을 검출하기 위함이다. 다중 공선성은 두 변수 사이의 상관관계가 매우 높은 현상이다. 두 변수 사이의 높은 상관관계는 통계분석 결과에 극적으로 영향을 미칠 수 있으며, 높은 상관관계 데이터의 작은 편차가 변수의 영향을 양의 방향에서 음의 방향으로 또는 그 반대로 반전시킬 수 있다. 이것은 분산 테스트의 고유한 속성이다. 다중 공선성을 결정하는 것은 민감도 분석에 유용하다. 서로 다른 모델 구현에서 고도로 상관된 변수를 제거하면 그러한 변수를 포함함으로써 발생하는 결과의 극적인 변화를 막을 수 있기 때문이다.[26]

그러나, 특히 시스템이 복잡한 사회과학에서 다공성(多空性)의 유해한 영향을 방지하는 민감도 분석 능력에는 한계가 있다. 충분히 복잡한 시스템에 모든 교란 요인을 포함하거나 심지어 측정하는 것은 이론적으로 불가능하기 때문에, 계량모형은 인과관계가 잘못된 변수에 잘못 귀속되는 공통원인 오류에 취약하다. 이 오류는 정확한 변수가 원본 데이터에서 포착되지 않았기 때문이다. 잠복 변수를 설명하지 못한 사례다.[27]

디자인 기반 계량학

최근 디자인 기반 계량학의 개선된 방법론은 이러한 실험이 식별한다고 믿어지는 인과 메커니즘을 연구하기 위해 자연 실험과 준 실험 연구 설계 모두를 사용하는 것을 대중화시키고 있다.[28]

인과 추론에서의 과실

인과관계를 판별하는 데 사용된 방법론 개발의 진보에도 불구하고 인과관계를 판별하는 데 있어 현저한 약점이 남아 있다. 이러한 약점은 복잡한 시스템에서 인과관계를 결정하는 내재적 어려움뿐만 아니라 과학적 과실의 사례에도 기인할 수 있다.

인과 추론의 어려움과 별개로, 사회과학 분야의 많은 학자들이 비과학적 방법론에 종사한다는 인식은 일부 사회과학자들의 큰 집단들 사이에 존재한다. 서술적 연구를 인과적 연구로 전가하는 경제학자와 사회과학자에 대한 비판은 그 분야 내에서 만연해 있다.[5]

과학적 과실 및 결함 있는 방법론

과학계, 특히 사회과학계에서는 과학적 과실이 만연해 있다는 우려가 학자들 사이에서 제기되고 있다. 과학적 연구가 광범위한 주제인 만큼 이론적으로 연구자의 잘못이 없어 인과적 추론이 훼손되는 방법은 무궁무진하다. 그럼에도 불구하고 많은 수의 연구자들이 기본적인 의무를 수행하지 않거나 인과적 추론에서 충분히 다양한 방법을 실천하지 못한다는 우려가 과학자들 사이에 남아 있다.[29][19][30][failed verification][31]

일반적인 비-경고 방법론의 두드러진 예로는 상관적 특성을 인과적 특성으로 잘못 가정하는 것이다. 상관관계가 있는 현상에 내재된 인과관계는 없다. 회귀 모형은 이론적 모형에 상대적인 데이터 내 분산을 측정하도록 설계된다. 높은 수준의 공분산을 나타내는 데이터가 의미 있는 관계를 갖는다고 제안할 만한 것은 없다(예측 특성을 가진 제안된 인과 메커니즘 또는 무작위 처리 할당). 결함이 있는 방법론의 사용은 광범위하게 이루어졌다고 주장되어 왔으며, 그러한 과실의 일반적인 예는 상관 모델의 과다 사용, 특히 회귀 모델과 특히 선형 회귀 모델의 과다 사용이다.[5] 두 개의 상관된 현상이 본질적으로 연관되어 있다고 가정하는 것은 거짓 상관관계라고 알려진 논리적 오류다. 일부 사회과학자들은 더 나은 방법론에서 기인하는 개선사항들이 지적되었음에도 불구하고 인과관계를 거짓 상관에 귀속시키는 방법론의 광범위한 사용이 사회과학의 무결성에 해악을 끼쳤다고 주장한다.[28]

인과관계와의 상관관계를 잘못 혼동하는 과학 연구의 잠재적 효과는 제3자에 의해 결과가 재현되지 않는 과학적인 발견의 수의 증가다. 이러한 비생산성은 새로운 데이터가 원본 데이터의 이전의 특이한 상관관계를 포함하지 않는, 내재적 관계가 없는 메커니즘으로 일시적으로 상호 연관성이 지나치게 일반화되는 결과의 논리적 결과물이다. 배임 효과 대 인과관계 탐색의 본질적 어려움 효과에 대한 논쟁이 계속되고 있다.[32] 널리 행해진 방법론에 대한 비판론자들은 연구자들이 인과관계의 증거를 증명하는 것으로 추측되는 기사들을 발표하기 위해 통계 조작을 했다고 주장하지만 실제로는 인과관계의 증거로 선전되는 허위 상관관계의 예들이다. 그러한 노력은 P 해킹이라고 일컬어질 수 있다.[33] 이를 방지하기 위해 일부에서는 연구자가 연구 수행에 앞서 연구 설계를 사전 등록하여 연구 초기 연구 주체는 아니지만 데이터 분석 과정에서 통계적으로 유의한 것으로 밝혀진 비재생산적 발견을 무심코 지나치게 강조하지 않도록 해야 한다고 주장해 왔다.[34]

참고 항목

참조

  1. ^ Pearl, Judea (1 January 2009). "Causal inference in statistics: An overview" (PDF). Statistics Surveys. 3: 96–146. doi:10.1214/09-SS057.
  2. ^ Morgan, Stephen; Winship, Chris (2007). Counterfactuals and Causal inference. Cambridge University Press. ISBN 978-0-521-67193-4.
  3. ^ "causal inference". Encyclopædia Britannica, Inc. Retrieved 24 August 2014.
  4. ^ John Shaughnessy; Eugene Zechmeister; Jeanne Zechmeister (2000). Research Methods in Psychology. McGraw-Hill Humanities/Social Sciences/Languages. pp. Chapter 1 : Introduction. ISBN 978-0077825362. Archived from the original on 15 October 2014. Retrieved 24 August 2014.
  5. ^ a b c d Schrodt, Philip A (1 March 2014). "Seven deadly sins of contemporary quantitative political analysis". Journal of Peace Research. 51 (2): 287–300. doi:10.1177/0022343313499597. ISSN 0022-3433. S2CID 197658213.
  6. ^ Landsittel, Douglas; Srivastava, Avantika; Kropf, Kristin (2020). "A Narrative Review of Methods for Causal Inference and Associated Educational Resources". Quality Management in Health Care. 29 (4): 260–269. doi:10.1097/QMH.0000000000000276. ISSN 1063-8628. PMID 32991545. S2CID 222146291.
  7. ^ Hill, Austin Bradford (1965). "The Environment and Disease: Association or Causation?". Proceedings of the Royal Society of Medicine. 58 (5): 295–300. doi:10.1177/003591576505800503. PMC 1898525. PMID 14283879.
  8. ^ 호이어, 파트리크 O, 외 "추가 노이즈 모델을 사용한 비선형 인과 발견." NIPS 2008년 21권
  9. ^ Shimizu, Shohei; et al. (2011). "DirectLiNGAM: A direct method for learning a linear non-Gaussian structural equation model" (PDF). The Journal of Machine Learning Research. 12: 1225–1248. arXiv:1101.2489.
  10. ^ 장, 쿤, 그리고 아포 하이베린. "비선형 인과 모델의 식별가능성에 대하여." 인공지능의 불확실성에 관한 제25차 회의의 진행. AUAI 프레스, 2009.
  11. ^ a b 무이, 조리스 M 등 "원인과 결과를 구별하기 위한 확률론적 잠재 변수 모델" NIPS. 2010.
  12. ^ 로페즈-파즈, 데이비드 외 ICML 2015 "원인-효과의 추론에 대한 학습 이론 제시"
  13. ^ King, Gary (2012). Designing social inquiry : scientific inference in qualitative research. Princeton Univ. Press. ISBN 978-0691034713. OCLC 754613241.
  14. ^ a b Mahoney, James (January 2010). "After KKV". World Politics. 62 (1): 120–147. doi:10.1017/S0043887109990220. JSTOR 40646193. S2CID 43923978.
  15. ^ Creswell, John W.; Clark, Vicki L. Plano (2011). Designing and Conducting Mixed Methods Research. SAGE Publications. ISBN 9781412975179.
  16. ^ Seawright, Jason (September 2016). Multi-Method Social Science by Jason Seawright. Cambridge Core. doi:10.1017/CBO9781316160831. ISBN 9781316160831. Retrieved 18 April 2019.
  17. ^ Smith, Herbert L. (10 February 2014). "Effects of Causes and Causes of Effects: Some Remarks from the Sociological Side". Sociological Methods and Research. 43 (3): 406–415. doi:10.1177/0049124114521149. PMC 4251584. PMID 25477697.
  18. ^ Goertz, Gary; Mahoney, James (2006). "A Tale of Two Cultures: Contrasting Quantitative and Qualitative Research". Political Analysis. 14 (3): 227–249. doi:10.1093/pan/mpj017. ISSN 1047-1987.
  19. ^ a b Angrist, Joshua D.; Pischke, Jörn-Steffen (June 2010). "The Credibility Revolution in Empirical Economics: How Better Research Design Is Taking the Con out of Econometrics". Journal of Economic Perspectives. 24 (2): 3–30. doi:10.1257/jep.24.2.3. ISSN 0895-3309.
  20. ^ University, Carnegie Mellon. "Theory of Causation - Department of Philosophy - Dietrich College of Humanities and Social Sciences - Carnegie Mellon University". www.cmu.edu. Retrieved 16 February 2021.
  21. ^ Simon, Herbert (1977). Models of Discovery. Dordrecht: Springer. p. 52.
  22. ^ Angrist, Joshua D.; Krueger, Alan B. (2001). "Instrumental Variables and the Search for Identification: From Supply and Demand to Natural Experiments". Journal of Economic Perspectives. 15 (4): 69–85. doi:10.1257/jep.15.4.69.
  23. ^ Allen, Michael Patrick, ed. (1997), "Model specification in regression analysis", Understanding Regression Analysis, Boston, MA: Springer US, pp. 166–170, doi:10.1007/978-0-585-25657-3_35, ISBN 978-0-585-25657-3, retrieved 16 February 2021
  24. ^ Maziarz, Mariusz (2020). The Philosophy of Causality in Economics: Causal Inferences and Policy Proposals. New York: Routledge.
  25. ^ Salciccioli, Justin D.; Crutain, Yves; Komorowski, Matthieu; Marshall, Dominic C. (2016), MIT Critical Data (ed.), "Sensitivity Analysis and Model Validation", Secondary Analysis of Electronic Health Records, Cham: Springer International Publishing, pp. 263–271, doi:10.1007/978-3-319-43742-2_17, ISBN 978-3-319-43742-2, PMID 31314264
  26. ^ Illowsky, Barbara (2013). "Introductory Statistics". openstax.org. Retrieved 16 February 2021.{{cite web}}: CS1 maint : url-status (링크)
  27. ^ Henschen, Tobias (2018). "The in-principle inconclusiveness of causal evidence in macroeconomics". European Journal for Philosophy of Science. 8 (3): 709–733. doi:10.1007/s13194-018-0207-7. S2CID 158264284.
  28. ^ a b Angrist Joshua & Pischke Jörn-Steffen (2008). Mostly Harmless Econometrics: An Empiricist's Companion. Princeton: Princeton University Press.
  29. ^ Achen, Christopher H. (June 2002). "Toward a new political methodology: Microfoundations and ART". Annual Review of Political Science. 5 (1): 423–450. doi:10.1146/annurev.polisci.5.112801.080943. ISSN 1094-2939.
  30. ^ Dawes, Robyn M. (1979). "The robust beauty of improper linear models in decision making". American Psychologist. 34 (7): 571–582. doi:10.1037/0003-066X.34.7.571.
  31. ^ Vandenbroucke, Jan P; Broadbent, Alex; Pearce, Neil (December 2016). "Causality and causal inference in epidemiology: the need for a pluralistic approach". International Journal of Epidemiology. 45 (6): 1776–1786. doi:10.1093/ije/dyv341. ISSN 0300-5771. PMC 5841832. PMID 26800751.
  32. ^ Greenland, Sander (January 2017). "For and Against Methodologies: Some Perspectives on Recent Causal and Statistical Inference Debates". European Journal of Epidemiology. 32 (1): 3–20. doi:10.1007/s10654-017-0230-6. ISSN 1573-7284. PMID 28220361. S2CID 4574751.
  33. ^ Dominus, Susan (18 October 2017). "When the Revolution Came for Amy Cuddy". The New York Times. ISSN 0362-4331. Retrieved 2 March 2019.
  34. ^ "The Statistical Crisis in Science". American Scientist. 6 February 2017. Retrieved 18 April 2019.

참고 문헌 목록

외부 링크