🧬 biology

Causal attribution by the chain rule: unifying natural selection, learning, economics, and other disciplines

Dit artikel toont aan dat de kettingregel een fundamenteel wiskundig principe is dat causale attributie verenigt in uiteenlopende disciplines, variërend van natuurlijke selectie en economie tot machine learning, door veranderingen op te splitsen in componenten die de bijdrage van individuele factoren kwantificeren.

Oorspronkelijke auteurs: Steven A. Frank

Gepubliceerd 2026-04-07

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Steven A. Frank

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ⚕️ Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer

De Magische Rekenformule die Alles Verbindt: Van Evolutie tot AI

Stel je voor dat je een enorme puzzel hebt. In de ene hoek zit de evolutiebiologie (waarom dieren veranderen), in de andere hoek zit de economie (waarom mensen verschillende salarissen krijgen), en in een derde hoek zit kunstmatige intelligentie (hoe computers leren).

Normaal gesproken denken wetenschappers dat dit drie heel verschillende puzzels zijn. Maar Steven Frank, de auteur van dit artikel, zegt: "Nee, het is allemaal dezelfde puzzel, opgelost met dezelfde simpele rekentruc."

Die rekentruc heet de kettingregel (of in dit geval de 'productregel').

1. De Simpele Truc: De "Twee-Vakjes" Formule

Stel je voor dat je een taart maakt. De grootte van je taart ( $Z$ ) hangt af van twee dingen:

Hoeveel deeg je hebt ( $X$ ).
Hoe goed je bakkerij is ( $B$ ).

De taartgrootte is dus: Deeg $\times$ Bakkerij.

Als je taart morgen groter is dan vandaag, waarom is dat dan?

Is het omdat je meer deeg hebt gekocht?
Of is het omdat je beter bent gaan bakken?

De kettingregel zegt: Je kunt de totale verandering opdelen in twee stukjes:

Het stukje dat komt door meer deeg (terwijl je bakvaardigheid hetzelfde blijft).
Het stukje dat komt door betere bakvaardigheid (terwijl je deeghoeveelheid hetzelfde blijft).

Dit klinkt als wiskunde, maar Frank zegt dat dit de sleutel is tot het begrijpen van oorzaak en gevolg in bijna elk vakgebied.

2. De Drie Werelden die Nu Samenkomen

Frank laat zien dat deze simpele "deeg-en-bakkerij"-formule drie grote verhalen vertelt:

A. De Biologie: Het "Natuurlijke Selectie"-Verhaal
In de evolutie willen we weten: Waarom zijn dieren beter aangepast?

Deeg = De genen (het DNA).
Bakkerij = De omgeving en hoe die genen samenwerken.

Charles Darwin en Ronald Fisher (een beroemde bioloog) zeiden: "Natuurlijke selectie werkt door de frequentie van de genen te veranderen."
Frank zegt: Fisher gebruikte die simpele formule. Hij hield de "bakkerij" (de omgeving) even stil en keek alleen naar het "deeg" (de genen). Zo kon hij zeggen: "Dit deel van de verbetering komt puur door de genen die vaker voorkomen." Het andere deel (waarom de bakkerij verandert) is dan het restant.

B. De Economie: Het "Salaris-Discriminatie"-Verhaal
Economen kijken naar het verschil in salarissen tussen twee groepen (bijvoorbeeld mannen en vrouwen).

Deeg = Opleiding en ervaring.
Bakkerij = Hoeveel geld je krijgt voor die opleiding (de marktwaarde).

De formule helpt hen te vragen: Is het verschil in salarissen omdat de ene groep minder opleiding heeft (meer deeg nodig), of omdat de markt hen minder betaalt voor dezelfde opleiding (slechtere bakkerij)?
Vaak is het tweede deel (de "slechtere bakkerij") het bewijs van discriminatie. De wiskunde is identiek aan die van de bioloog, maar ze kijken naar een ander stukje van de taart.

C. De Kunstmatige Intelligentie: Het "Leer-Verhaal"
Hoe leert een computer (zoals een AI) om een spel te winnen?

Deeg = De instellingen in de computer (parameters).
Bakkerij = De regels van het spel.

Wanneer de AI een zet maakt en verliest, moet hij weten: Was het mijn schuld (de instellingen) of de regels?
De computer gebruikt een techniek genaamd Backpropagation. Dit is niets anders dan diezelfde kettingregel! De computer kijkt terug naar elke stap en zegt: "Als ik dit ene getal (dit stukje deeg) iets had veranderd, was ik dan beter geweest?" Zo past hij zijn "deeg" aan om de volgende keer te winnen.

3. De Grote Les: Het hangt af van je vraag

Het meest fascinerende aan dit artikel is dat de wiskunde altijd hetzelfde is. De formule breekt de verandering altijd in twee stukken:

Verandering in de inhoud (genen, opleiding, instellingen).
Verandering in de context (omgeving, markt, spelregels).

Het verschil zit hem alleen in wat je belangrijk vindt:

De bioloog wil weten hoeveel de genen hebben gedaan.
De econoom wil weten hoeveel de markt (discriminatie) heeft gedaan.
De AI-ingenieur wil weten welke instelling hij moet aanpassen.

Conclusie: De Universele Sleutel

Stel je voor dat natuur, menselijke samenleving en computers allemaal verschillende talen spreken. Dit artikel is als een vertaalboek dat laat zien dat ze allemaal dezelfde grammatica gebruiken.

De "kettingregel" is de grammatica van oorzaak en gevolg. Of je nu probeert te begrijpen waarom een vlinder zijn vleugels heeft, waarom iemand minder verdient dan zijn buurman, of hoe een robot leert lopen: het gaat erom dat je de totale verandering opdeelt in wat er aan de binnenkant veranderde en wat er aan de buitenkant veranderde.

Door dit te begrijpen, zien we dat de diepe geheimen van het leven, de economie en de technologie allemaal op één heel simpele, elegante rekenregel rusten. Het is alsof je ontdekt dat alle gebouwen ter wereld, van hutten tot wolkenkrabbers, eigenlijk op dezelfde simpele wetten van zwaartekracht en steunpunten zijn gebouwd.

Probleemstelling

In vele wetenschappelijke disciplines wordt waargenomen variatie of verandering vaak opgesplitst in componenten om oorzakelijke bijdragen te bepalen. Voorbeelden zijn het scheiden van de invloed van genen versus omgeving op een eigenschap, het analyseren van loonverschillen tussen groepen, of het begrijpen van evolutionaire verandering. Hoewel deze decomposities in verschillende velden (biologie, economie, demografie, machine learning) veelvuldig worden gebruikt, ontbreekt vaak een erkend, unificerend wiskundig fundament. De vraag is hoe deze diverse methoden causale attributie (toewijzing van oorzaak) uitvoeren en of er een gemeenschappelijke logica achter schuilgaat die de interpretatie van deze veranderingen verduidelijkt.

Methodologie

De auteur baseert zijn analyse op een fundamenteel wiskundig concept: de productregel voor eindige verschillen (een toepassing van de kettingregel).

Wiskundige Basis:
Het artikel start met de definitie van een eindig verschil $\Delta z = z' - z$ voor een product $z = bx$. De uitbreiding levert de identiteit:
$\Delta z = b\Delta x + x'\Delta b$
Hierbij vertegenwoordigt de eerste term de verandering in $x$ terwijl $b$ constant wordt gehouden, en de tweede term de verandering in $b$ vermenigvuldigd met de nieuwe waarde van $x$ ( $x'$ ).
Generalisatie naar Regressie:
Deze regel wordt uitgebreid naar vectorvormen en regressiemodellen. Voor een gemiddelde waarde $\bar{z}$ die wordt uitgedrukt als een dot-product van regressiecoëfficiënten ( $\mathbf{b}$ ) en predictorwaarden ( $\bar{\mathbf{x}}$ ), geldt:
$\Delta \bar{z} = \mathbf{b} \cdot \Delta \bar{\mathbf{x}} + \bar{\mathbf{x}}' \cdot \Delta \mathbf{b}$
Deze vergelijking splitst de totale verandering in twee componenten:
- Directe factor: Verandering in de predictors ( $\Delta \bar{\mathbf{x}}$ ) met constante coëfficiënten ( $\mathbf{b}$ ).
- Contextfactor: Verandering in de coëfficiënten ( $\Delta \mathbf{b}$ ) met de predictors op de nieuwe waarden ( $\bar{\mathbf{x}}'$ ).
Causale Interpretatie:
De auteur betoogt dat deze algebraïsche splitsing op zichzelf geen causale betekenis heeft. Echter, door specifieke counterfactual-aannames (wat-zou-er-gebeurd-zijn-situaties) toe te passen, krijgt de splitsing een causale interpretatie. De keuze welke term als "oorzaak" wordt gezien en welke als "context", hangt af van de wetenschappelijke vraag.

Belangrijkste Bijdragen

Het artikel levert drie hoofdbijdragen:

Unificatie van Disciplines:
De auteur toont aan dat fundamentele theorieën in uiteenlopende gebieden allemaal reduceren tot dezelfde productregel voor eindige verschillen:
- Evolutiebiologie: Fishers fundamentele stelling van natuurlijke selectie en de Price-vergelijking.
- Economie: De Oaxaca-Blinder-decompositie voor loonverschillen.
- Demografie: De Kitagawa-decompositie voor sterftecijfers.
- Thermodynamica: Decompositie van veranderingen in ensemble-gemiddelden.
- Machine Learning: Backpropagation als kern van optimalisatie.
Afleiding van Counterfactual Causality:
Het artikel laat zien hoe moderne causale analyse (counterfactual reasoning) op een natuurlijke manier voortvloeit uit de kettingregel. De regressiedecompositie beschrijft verandering; door te kiezen wat er "constant" wordt gehouden (de regressiecoëfficiënten of de predictorwaarden), ontstaat een causale interpretatie. Dit verklaart Fishers subjectieve keuze om natuurlijke selectie te isoleren als een kracht die alleen werkt via veranderingen in genfrequenties, terwijl de "gemiddelde effecten" (coëfficiënten) constant worden gehouden.
Verbinding tussen Natuurlijke Selectie en AI:
De auteur trekt een directe parallel tussen natuurlijke selectie en backpropagation in kunstmatige intelligentie. In beide gevallen wordt succes (reproductief succes of minimalisatie van verlies) via een kettingregel-achtige berekening "teruggepropageerd" naar de onderliggende parameters (genen of gewichten). Causale attributie leidt tot updates van deze parameters. De auteur benadrukt dat niet-lineariteit en interacties (zoals epistase in genetica of complexe netwerken in AI) deze processen bemoeilijken, maar dat het basisprincipe van partiële causale attributie in beide systemen werkt.

Resultaten

Fishers Stelling: De stelling wordt herformuleerd als een toepassing van de productregel. De eerste term ( $\mathbf{b} \cdot \Delta \mathbf{p}$ ) vertegenwoordigt de verandering in gemiddelde fitness veroorzaakt door natuurlijke selectie (verandering in genfrequenties $\Delta \mathbf{p}$ ), waarbij de gemiddelde effecten van genen ( $\mathbf{b}$ ) constant worden gehouden. De tweede term ( $\bar{\mathbf{p}}' \cdot \Delta \mathbf{b}$ ) vangt veranderingen op door veranderingen in de genetische context en omgeving.
Econometrische Parallel: In de Oaxaca-Blinder-decompositie wordt de eerste term vaak gezien als het deel van het loonverschil dat verklaard wordt door verschillen in kenmerken (zoals onderwijs), terwijl de tweede term (verandering in coëfficiënten) vaak wordt geïnterpreteerd als discriminatie of onverklaarde verschillen. De wiskunde is identiek aan Fishers, maar de focus verschuift naar de tweede term.
Demografie en Thermodynamica: Dezelfde structuur splitst sterftecijferverschillen in leeftijdsopbouw versus leeftijdspecifieke sterftekansen, en thermodynamische veranderingen in verdeling versus observabelen.
Causale Nuance: De resultaten tonen aan dat er geen "enkele waarheid" is over welke term de oorzaak is. Het hangt af van de counterfactual-vraag: "Wat zou er gebeurd zijn als alleen de frequenties veranderden?" versus "Wat als alleen de relaties veranderden?".

Betekenis

De betekenis van dit werk ligt in de conceptuele unificatie van causale analyse over de wetenschappen heen.

Simpliciteit: Het onthult dat complexe methoden voor causale attributie en optimalisatie (van evolutie tot AI) rusten op een elementaire algebraïsche identiteit: de productregel.
Interdisciplinaire Connectie: Het creëert een brug tussen evolutionaire biologie, econometrie, demografie en machine learning, waardoor inzichten uit het ene domein toepasbaar worden op het andere.
Verduidelijking van Causale Interpretatie: Het biedt een helder kader om te begrijpen waarom er vaak discussie is over de interpretatie van Fishers theorie of econometrische decomposities. De wiskunde is objectief; de causale betekenis is een keuze die afhankelijk is van wat de onderzoeker als de relevante "interventie" of "counterfactual" beschouwt.
Fundament voor AI en Biologie: Het onderstreept dat zowel natuurlijke selectie als moderne AI leren door het toekennen van causale krediet aan individuele componenten (genen of parameters) via een kettingregel-mechanisme, wat de diepe gelijkenis tussen biologische en computationele evolutie benadrukt.

Kortom, het artikel demonstreert dat de kettingregel de universele taal is waarmee systemen veranderingen analyseren en oorzaken toewijzen, ongeacht of het gaat om het overleven van organismen, het verdelen van inkomens of het trainen van neurale netwerken.