Glossário IA
O dicionário completo da Inteligência Artificial
Grafos Acíclicos Dirigidos
Representação matemática de relações causais onde os nós são variáveis e as arestas orientadas indicam a influência direta de uma variável sobre outra. Os DAGs permitem visualizar e analisar a estrutura causal subjacente das decisões de IA.
Método de Rubin
Estrutura formal para inferência causal baseada em resultados potenciais, onde cada unidade tem resultados hipotéticos sob diferentes tratamentos. Este modelo permite definir precisamente os efeitos causais como diferenças entre resultados potenciais.
Viés de Confundimento
Erro sistemático na estimativa causal devido a variáveis que influenciam simultaneamente o tratamento e o resultado, criando associações falsas. A identificação e o controle dos confundidores são essenciais para uma inferência causal válida.
Métodos de Emparelhamento
Técnicas de emparelhamento de unidades tratadas e não tratadas com base em características observáveis para criar grupos comparáveis em estudos observacionais. Esses métodos permitem estimar os efeitos causais eliminando as diferenças sistemáticas entre os grupos.
Diferença em Diferenças
Estratégia de identificação causal que compara as mudanças nos resultados ao longo do tempo entre um grupo tratado e um grupo de controle. Este método controla tendências comuns e características invariantes no tempo.
Regressão por Descontinuidade
Desenho quase-experimental que explora os limiares de tratamento para identificar efeitos causais locais em torno dos pontos de corte. Este método compara as unidades logo acima e abaixo do limiar para isolar o impacto causal do tratamento.
Critério de Pearl
Conjunto de regras formais que permitem determinar se um efeito causal pode ser identificado a partir de um grafo causal e de dados observacionais. Este do-calculus fornece uma estrutura matemática para manipular expressões causais em modelos gráficos.
Modelos Estruturais Causais
Representações matemáticas que combinam equações estruturais e grafos para modelar os mecanismos geradores de dados. Esses modelos permitem simular intervenções e calcular efeitos causais contrafactuais.
Efeito heterogêneo do tratamento
Variação do efeito causal de um tratamento em diferentes subgrupos ou indivíduos na população. A análise da heterogeneidade permite identificar para quem o tratamento é mais ou menos eficaz.
Contrafactual por vizinhos mais próximos
Método de geração de explicações contrafactuais baseado na busca por exemplos semelhantes no espaço de características com previsões diferentes. Essa abordagem fornece explicações intuitivas baseadas em casos reais ou próximos.
Análise de caminhos causais
Técnica que decompõe o efeito total de uma variável em efeitos diretos e indiretos através de mediadores especificados. Esta análise permite compreender os mecanismos pelos quais uma variável influencia um resultado em sistemas de IA.