Glossário IA
O dicionário completo da Inteligência Artificial
Inferência Causal Bayesiana
Aplicação dos princípios do teorema de Bayes para estimar efeitos causais a partir de dados observacionais, integrando conhecimento a priori e quantificando a incerteza das relações de causa e efeito.
Diagrama de Correlação Residual (RCD)
Ferramenta gráfica utilizada na inferência causal para visualizar as correlações condicionais entre variáveis após considerar seus pais em um grafo causal, ajudando a detectar arestas falsas.
Equação de Pontuação Causal
Fórmula matemática que quantifica a contribuição de uma aresta potencial para a probabilidade a posteriori de um grafo causal, baseando-se na estrutura e nos parâmetros do modelo bayesiano.
Prior Estrutural Causal
Distribuição de probabilidade a priori sobre o espaço dos grafos causais possíveis, integrando conhecimento de especialistas ou restrições para guiar a busca pela estrutura causal mais plausível.
Meta-Análise Bayesiana de Efeitos Causais
Abordagem estatística que combina as estimativas de efeitos causais de múltiplos estudos usando um arcabouço bayesiano, permitindo considerar a heterogeneidade entre estudos e obter uma estimativa global do efeito causal.
Modelos de Variáveis Latentes Causais
Extensão das redes bayesianas causais que incluem variáveis não observadas (latentes) que influenciam as variáveis medidas, utilizadas para modelar fatores de confusão não medidos ou construtos teóricos.
Posterior sobre Grafos Causais
Distribuição de probabilidade sobre o conjunto de estruturas de grafo causal possíveis após a observação dos dados, representando a incerteza sobre a verdadeira estrutura causal subjacente.
Desacoplamento Causal
Princípio segundo o qual uma intervenção em uma variável X (do(X)) desacopla estatisticamente X de suas causas normais, enquanto preserva sua relação com seus efeitos, fundamental para a identificação dos efeitos causais.
Equivalência Causal Markoviana
Conceito segundo o qual diferentes grafos causais (parcialmente orientados) podem codificar o mesmo conjunto de dependências e independências condicionais, tornando a sua distinção impossível com base apenas em dados observacionais.
Fator de Confusão Bayesiano
Variável que influencia tanto a causa quanto o efeito, e cujo efeito é quantificado e ajustado no contexto bayesiano, integrando uma distribuição de probabilidade sobre a sua influência em vez de uma simples correção.
Intervenção Probabilística (Stochastic do-operator)
Generalização do operador 'do' onde a intervenção numa variável não a fixa a um valor determinístico, mas modifica a sua distribuição de probabilidade, permitindo modelar políticas ou tratamentos com efeitos variáveis.
Método da G-Fórmula Bayesiana
Técnica de estimação de efeitos causais padronizados que utiliza o ajuste bayesiano para modelar a distribuição dos resultados condicionalmente às covariáveis e à exposição, permitindo gerir modelos complexos e quantificar a incerteza.
Propensão Causal Bayesiana
Extensão do score de propensão onde a probabilidade de receber um tratamento é modelada num quadro bayesiano, integrando a incerteza sobre o próprio modelo de propensão para melhorar o ajuste causal.
Retro-Análise Causal Bayesiana
Processo de inferência das causas prováveis de um efeito observado, invertendo o raciocínio causal com a ajuda do teorema de Bayes, calculando P(Causa|Efeito) em vez de P(Efeito|Causa).
Descoberta Causal Baseada em Score (Score-based Causal Discovery)
Família de algoritmos que procuram o grafo causal que maximiza um score de qualidade (como o BIC ou a probabilidade marginal) num quadro bayesiano, explorando o espaço das estruturas possíveis.
Validade Causal Interna
No contexto bayesiano, avaliação da credibilidade de uma relação causal dentro de um modelo específico, baseada na consistência a posteriori dos parâmetros e da estrutura com os dados observados.