Glossário IA
O dicionário completo da Inteligência Artificial
Modelo Estrutural Causal
Estrutura matemática que combina grafos acíclicos direcionados e equações estruturais para representar e analisar as relações causais entre variáveis em um sistema.
Grafo Acíclico Direcionado (DAG)
Representação gráfica onde os nós são variáveis e as arestas orientadas indicam influências causais diretas, sem ciclos para garantir a coerência causal.
Escada da Causalidade de Pearl
Hierarquia de três níveis de raciocínio causal: associação (correlação), intervenção (manipulação) e contrafactual (imaginação de mundos alternativos).
Identificação Causal
Processo matemático que determina se um efeito causal pode ser estimado de forma única a partir de dados de observação e hipóteses estruturais.
Modelo de Equações Estruturais (SEM)
Estrutura estatística que utiliza equações simultâneas para modelar as relações causais e os erros entre variáveis latentes e observadas.
Distribuição de Intervenção
Distribuição de probabilidade resultante de uma intervenção externa no sistema, diferente da distribuição de observação porque modifica as relações estruturais.
Modelos Causais Lineares
Classe de modelos estruturais onde cada variável é uma combinação linear de suas causas diretas mais um termo de erro independente.
Falseabilidade Causal
Capacidade de um modelo causal de gerar previsões testáveis e refutáveis a partir de hipóteses estruturais, distinguindo ciência de especulação.
Admissibilidade
Condição segundo a qual um conjunto de variáveis é suficiente para ajustar a estimativa de um efeito causal sem introduzir viés de seleção.
Rede Bayesiana Causal Gráfica
Rede bayesiana aumentada com uma interpretação causal onde as arestas representam mecanismos causais em vez de simples dependências probabilísticas.
Modelos de Resposta Potencial
Estrutura alternativa que modela os resultados potenciais para cada unidade sob cada tratamento possível, fundamento da inferência causal em estatística.
Descoberta Causal
Conjunto de algoritmos que visam inferir a estrutura causal (grafo e equações) a partir de dados observacionais ou experimentais.