📊 statistics

A fine-grained look at causal effects in causal spaces

Dit artikel introduceert een fijnmazig perspectief op causale effecten binnen het axiomatische raamwerk van causale ruimten, waarbij effecten worden gedefinieerd en gekwantificeerd op het niveau van gebeurtenissen in plaats van variabelen, om zo betekenisvolle causale vragen in complexe moderne datadomeinen te kunnen formuleren.

Oorspronkelijke auteurs: Junhyung Park, Yuqing Zhou

Gepubliceerd 2026-04-07

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Junhyung Park, Yuqing Zhou

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Titel: Een nieuwe manier om oorzaak en gevolg te begrijpen: Van "wat" naar "wanneer"

Stel je voor dat je een enorme, complexe machine hebt. Traditioneel kijken wetenschappers naar de knoppen op die machine. Ze zeggen: "Als ik deze knop (variabele X) indruk, verandert het lichtje (variabele Y) van kleur." Dit werkt goed als je praat over medicijnen en bloeddruk. Maar wat als je machine een foto is of een tekst die door een AI is geschreven? Dan zijn de "knoppen" eigenlijk pixels of letters. Die hebben op zichzelf geen betekenis. Je kunt niet zeggen: "Pixel 45 veroorzaakt dat de tekst over politiek gaat." Dat is belachelijk.

De auteurs van dit artikel, Junhyung Park en Yuqing Zhou, zeggen: "Wacht even. We moeten niet kijken naar de losse knoppen, maar naar de gebeurtenissen."

Hier is een simpele uitleg van hun idee, met wat creatieve vergelijkingen.

1. Het oude idee: De "Knoppen" (Variabelen)

Stel je een recept voor.

Oud idee: "Als ik 200 gram suiker toevoeg (variabele), wordt de taart zoeter (variabele)."
Het probleem: In de moderne wereld (zoals AI of beeldherkenning) zijn de ingrediënten vaak duizenden kleine deeltjes (pixels of woorden). Als je zegt: "Pixel 1234 veroorzaakt dat de taart er bruin uitziet," zegt dat je niets. Je wilt weten: "Wat als er een kat in de foto staat?" of "Wat als de tekst over politiek gaat?"

Deze "kat" of "over politiek" is geen enkele knop, maar een gebeurtenis (een verzameling van veel knoppen tegelijk).

2. Het nieuwe idee: De "Gebeurtenissen" (Events)

De auteurs zeggen: Laten we causaliteit (oorzaak en gevolg) definiëren op het niveau van deze gebeurtenissen.

De Analogie van de Reisverzekering:
Stel je een reiziger voor.

De Gebeurtenis A: "De reiziger betaalt 1000 CHF bij een ongeluk."
De Gebeurtenis B: "De reiziger koopt een verzekering."

In het oude systeem zouden we kijken naar de variabele "Bedrag betaald". Maar de auteurs kijken naar de specifieke gebeurtenis: "Betaalt hij 1000 CHF?".
Ze zeggen: "Als de reiziger een verzekering koopt, verandert de kans dat hij 1000 CHF betaalt van 0,6% naar 0%."
Dit is een causaal effect op een specifieke gebeurtenis. Het maakt niet uit hoe de pixels in de verzekeringsovereenkomst eruitzien; het gaat erom dat de gebeurtenis "verzekering kopen" de gebeurtenis "1000 CHF betalen" beïnvloedt.

3. De Drie Soorten Vragen die je nu kunt stellen

Het artikel introduceert drie manieren om dit te bekijken, alsof je een detective bent:

De Basisvraag (Actief Effect): "Verandert de kans op gebeurtenis A als ik gebeurtenis B forceer?"
- Voorbeeld: "Als ik de reiziger dwingt een verzekering te kopen, verandert de kans dat hij 1000 CHF betaalt?" Ja, dat verandert het. Dus er is een causaal effect.
De Specifieke Vraag (Voorwaarde): "Verandert de kans op A, als we al weten dat er een ander ding is gebeurd?"
- Voorbeeld: "Als we al weten dat de reis niet gevaarlijk is, maakt het dan nog uit of hij een verzekering koopt?" Nee, want hij betaalt sowieso niets. Maar als de reis zeer gevaarlijk is, maakt het wél uit. Dit helpt ons te begrijpen wanneer een oorzaak werkt.
De "Na-Actie" Vraag (Post-interventie): "Als ik eerst X doe, heeft het dan nog zin om Y te doen?"
- Voorbeeld: "Als ik eerst de reis annuleer (interventie 1), maakt het dan nog uit of ik een verzekering koop (interventie 2)?" Nee, want er is geen reis meer. De eerste actie heeft de tweede kansloos gemaakt.

4. Hoe sterk is het effect? (De "Krachtmeting")

Tot nu toe hebben we alleen gezegd: "Ja, er is een effect" of "Nee, er is geen effect." Maar hoe groot is het?
Stel je voor dat je een thermometer hebt.

Gemiddeld effect: "Gemiddeld gezien verlaagt de verzekering de kosten met 8,45 CHF."
Maximaal effect: "In het ergste geval (als er een ongeluk gebeurt), bespaart de verzekering 1000 CHF."

De auteurs geven formules om deze "kracht" te meten. Ze kunnen zelfs beslissen of ze meer belang hechten aan kleine veranderingen bij zeldzame gebeurtenissen (zoals een ongeluk) of aan grote veranderingen bij alledaagse dingen.

5. Waarom is dit belangrijk? (De AI en Taalmodellen)

Dit is het coolste deel. Stel je voor dat je een chatbot (zoals ik) hebt.

Oude manier: "Welk woord in de prompt veroorzaakt dat het antwoord over politiek gaat?" Dit is lastig, want het antwoord hangt af van duizenden woorden samen.
Nieuwe manier: "Heeft de gebeurtenis 'de prompt vraagt om een neutrale toon' een causaal effect op de gebeurtenis 'het antwoord is politiek neutraal'?"

Dit werkt perfect voor AI, omdat we niet hoeven te weten welke specifieke pixel of letter de oorzaak is. We kunnen gewoon kijken naar de betekenisvolle gebeurtenissen: "Is er een kat in de foto?" of "Is de tekst in het Chinees?".

Samenvatting in één zin

Deze paper zegt: "Vergeet de losse knoppen (variabelen); laten we kijken naar de hele plaatjes (gebeurtenissen) om te begrijpen wat echt de oorzaak is van wat, vooral in de complexe wereld van AI en moderne data."

Het is alsof je stopt met kijken naar de individuele deeltjes in een regenwolk en begint te kijken naar de regenbui zelf om te zeggen: "Ah, die regenbui is de oorzaak van de modderige straat."

Titel: Een fijnmazige blik op causale effecten in causale ruimtes

Auteurs: Junhyung Park en Yuqing Zhou (ETH Zürich)
Publicatie: Proceedings of Machine Learning Research, 5th Conference on Causal Learning and Reasoning (2026)

1. Het Probleem

Traditionele methoden voor het bestuderen van causale effecten (zoals de gemiddelde behandelingseffecten, ATE) opereren op het niveau van variabelen. Deze variabelen worden vaak als semantisch betekenisvol verondersteld (bijv. "bloeddruk" of "salaris").

In moderne datadomeinen, zoals computerzichten (pixels in afbeeldingen) of natuurlijke taalverwerking (tokens in taalmodellen), missen de ruwe variabelen echter vaak de nodige semantische structuur om zinvolle causale vragen te formuleren. Het is niet zinvol om te vragen naar het causale effect van een individuele pixel of token op een uitkomst.
Daarnaast zijn bestaande definities vaak beperkt tot kwantitatieve maten van effectgrootte, zonder eerst een fundamentele, binaire definitie van "er is een effect" versus "er is geen effect" te geven op een fijnere schaal.

De auteurs stellen dat we, net zoals in de waarschijnlijkheidstheorie waar onafhankelijkheid eerst voor gebeurtenissen en $\sigma$ -algebra's wordt gedefinieerd voordat het over random variabelen gaat, causale effecten ook op het niveau van gebeurtenissen (events) moeten definiëren.

2. Methodologie: Causale Ruimtes

Het artikel baseert zich op het raamwerk van causale ruimtes (causal spaces), een recent axiomatisch formalisme (Park et al., 2023) dat structurele causale modellen (SCM) en potentiële uitkomsten unify.

Definitie: Een causale ruimte is een kwadrupel $(\Omega, \mathcal{H}, P, \mathcal{K})$ $(Ω, H, P, K)$ , waarbij:
- $(\Omega, \mathcal{H})$ een meetbare ruimte is met een productstructuur.
- $P$ de observationele waarschijnlijkheidsmaat is.
- $\mathcal{K} = \{K_S : S \subseteq T\}$ een collectie van causale kernen (transition probability kernels) is. $K_S(\omega, \cdot)$ beschrijft de verdeling over de hele ruimte nadat de coördinaten geïndexeerd door $S$ geforceerd zijn tot de waarde $\omega_S$ .
Interventies: Interventies worden gedefinieerd via een nieuwe maat $P^{do(U,Q)}$ die wordt gegenereerd door de causale kernen te combineren met een interventiemeet $Q$ op de geïntervenieerde variabelen.

In plaats van te werken met random variabelen, definiëren de auteurs causale effecten direct op gebeurtenissen $A \in \mathcal{H}$ en $\sigma$ -algebra's $\mathcal{F} \subseteq \mathcal{H}$ .

3. Belangrijkste Bijdragen

A. Binaire Definities van Causale Effecten

De auteurs introduceren een familie van "ja/nee" definities om te bepalen of een causaal effect aanwezig is. Dit is een verschuiving van het kwantificeren van effectgrootte naar het vaststellen van de aanwezigheid van een effect.

Actief Causaal Effect (Definition 3):
Een uitkomst $\omega$ (of een gebeurtenis $B$ ) heeft een actief $U$ -causaal effect op een gebeurtenis $A$ als de causale kern $K_U(\omega, A)$ verschilt van de observationele maat $P(A)$ .
- Fijnmazigheid: Dit maakt het mogelijk om te zeggen dat specifieke prompts in een taalmodel een effect hebben, terwijl andere dat niet doen, in plaats van te zeggen dat "de prompt" als variabele een effect heeft.
Conditionele Causale Effecten (Definitions 5 & 6):
De auteurs definiëren effecten voorwaardelijk op een gebeurtenis $G$ of een $\sigma$ -algebra $\mathcal{G}$ .
- Dit vangt heterogeniteit in behandelingseffecten op (bijv. een interventie werkt alleen in een specifieke subpopulatie).
- Er wordt een technische voorwaarde gesteld van wederzijdse absolute continuïteit op de conditionerende $\sigma$ -algebra om de vergelijking van conditionele maten mogelijk te maken.
Post-Interventie Causale Effecten (Definition 8):
Dit definieert wanneer een tweede interventie (op $U$ ) geen effect heeft nadat een eerste interventie (op $V$ ) al heeft plaatsgevonden. Dit is cruciaal voor het begrijpen van mediators en de volgorde van interventies.

Theoretisch Resultaat: De auteurs bewijzen dat het ontbreken van een actief causaal effect equivalent is aan onafhankelijkheid (respectievelijk conditionele onafhankelijkheid) onder de interventiemeet. Dit legt een sterke link met de fundamentele concepten van de waarschijnlijkheidstheorie.

B. Kwantificering van Causale Effecten

Naast de binaire aanwezigheid, stellen de auteurs methoden voor om de sterkte en aard van het effect te kwantificeren.

Gemiddelde Effectscores (Mean Effect Scores):
Voor gebeurtenissen wordt een score gedefinieerd als:
$S^{do(U,Q)}_f(A) = f(P^{do(U,Q)}(A)) - f(P(A))$
Waarbij $f$ een schaalfunctie is.
- Flexibiliteit: Door de keuze van $f$ kan men benadrukken of veranderingen bij extreme kansen (bijv. 0 of 1) belangrijker zijn dan veranderingen rond 0,5.
- Voorbeeld: Een lineaire functie geeft de ruwe verschil in waarschijnlijkheid, terwijl een hyperbolische sinus-functie (sinh) meer gewicht geeft aan veranderingen bij de randen.
Maximum Effect Scores:
Deze meten de grootste mogelijke afwijking die een interventie kan veroorzaken binnen een bepaalde set van uitkomsten.
Effecten op $\sigma$ -algebra's (Distributieverschillen):
Voor het kwantificeren van effecten op hele verdelingen (in plaats van enkelvoudige gebeurtenissen) gebruiken ze een differentiemeet $D_F$ tussen twee waarschijnlijkheidsmaten.
- Herstel van bestaande maten: De auteurs tonen aan dat de Average Treatment Effect (ATE) en Conditional ATE (CATE) speciale gevallen zijn van hun definitie wanneer $D_F$ wordt gekozen als het verschil in gemiddelden.
- Dit maakt het mogelijk om ook complexere aspecten te meten, zoals variatie, of gebruik te maken van kernel mean embeddings voor oneindig-dimensionale samenvattingen.

4. Resultaten en Voorbeelden

Het papier illustreert de theorie met twee voorbeelden:

Reisverzekering: Een eenvoudig model met variabelen voor gevaar, verzekering en betaling.
- Het toont aan dat het kopen van verzekering een causaal effect heeft op de kans op een hoge betaling (1000 CHF), maar dat dit effect conditioneel is op het gevaarsniveau.
- De kwantificering toont aan dat verzekering de verwachte kosten licht verhoogt (door de premie) maar de variantie drastisch verlaagt (door het risico van 1000 CHF te elimineren).
Taalmodellen (Appendix D):
- In plaats van tokens te analyseren, definiëren ze gebeurtenissen zoals "de gegenereerde tekst gaat over politiek" of "is geschreven in een progressieve toon".
- Dit toont aan hoe het framework semantisch betekenisvolle vragen kan beantwoorden in domeinen waar ruwe variabelen (tokens) geen directe causale interpretatie hebben.

5. Betekenis en Conclusie

De bijdrage van dit artikel is fundamenteel voor de causale inferentie in moderne AI-domeinen:

Semantische Granulariteit: Het biedt een wiskundig onderbouwde manier om causale vragen te stellen op het niveau van betekenis (gebeurtenissen) in plaats van ruwe data (pixels/tokens), zonder de noodzaak om eerst een abstractie-map te definiëren (zoals bij "causal abstraction").
Unificatie: Het verenigt de concepten van causale effecten met de axiomatische structuur van waarschijnlijkheidstheorie (via $\sigma$ -algebra's en maattheorie).
Flexibiliteit: Het biedt een scala aan maten die kunnen worden aangepast aan de specifieke behoeften van een applicatie (bijv. focus op zeldzame gebeurtenissen).
Scope: Het artikel focust strikt op populatie-niveau definities (theoretische grootheden). Het behandelt geen identificatieproblemen, schatting uit eindige steekproeven of hypothetestests, maar legt de theoretische basis daarvoor.

Kortom, het papier biedt een rigoureuze, maattheoretische herformulering van causale effecten die beter aansluit bij de complexiteit en semantische aard van moderne datadomeinen.