Dieser Beitrag stammt von Lizzie. Die Figur stammt von Frank 2024.
Ich struggle vor etwas mehr als einem Jahr in einem Treffen, in dem ich einen Schüler bat, kausale Schlussfolgerungen zu definieren. Die Definition, die er mir gab, konzentrierte mich auf komplexe Ansätze, die häufig verwendet wurden, um die Ziehenkausalität aus Beobachtungsdaten herauszuholen. Additionally fragte ich, ob kausale Inferenz überhaupt Experimente beinhaltete. „Nein“, kam die Antwort. Ich habe doppelt überprüft. „NEIN.“ Der Schüler struggle sicher. Jemand anderes, der später nachverfolgt wurde, änderte seine Meinung nicht.
Experimente können bei kausaler Schlussfolgerung nicht helfen.
Ich wusste damals ein Downside, aber wie ist es passiert? Ich werde Ihnen meine Model von dem erzählen, was passiert ist und etwas von dem, was ich dafür zusammenstellen kann, wie dies passiert ist, aber ich bin offen für andere Theorien und Ideen. Und wenn die neue „kausale Inferenz“ -Bewegung in der Ökologie vielleicht endlich auf einen Weg für uns geschlagen hat, um die Ökologie herauszufinden, dann wird mir die Zeit offensichtlich das Gegenteil beweisen, und Sie können im Kommentarbereich die Zeit zu verprügeln.
Ich konnte mit Sewall Wright und den Kühen, die ich einmal besucht hatte, zurückgreifen und Fisher und seine Maisfelder (oder eine angenehme konsequente Ernte, die nur auf das Design der geteilten Handlung wartet), aber ich werde gerade in den 1990er Jahren mit Pfadanalyse in der Ökologie beginnen. Die Pfadanalyse (was ich als Strukturgleichungsmodellierung mit standardisierten Koeffizienten bezeichnen würde) struggle in den 1990er Jahren in der Ökologie heiß. Im Jahr 2001 gab es ein Kapitel von Mitchell im Buch „Design und Analyse der ökologischen Experimente“ (möglicherweise um den Höhepunkt). Es hatte dies auf der ersten Seite:
Pflanzenmerkmale → Visitation → Bestäubung → Reproduktion
Ist das nicht toll? Ich könnte Pflanzenmerkmale mit der Pflanzenreproduktion über die Auswirkungen dieser Merkmale auf (Insekten-) Besuche (mit Blumen) und darüber, wie all dieser Rassenbesuch zu Bestäubung geführt hat und dann – Reproduktion (und dann sogar einen Lauf bei… Plant Health machen kann!) Verbinden. Ich meine, es ist großartig. Ich magazine die Idee. Ich mochte das Kapitel. Ich habe eine Pfadanalyse durchgeführt. Aber ich habe es nicht für Pfadanalysen bezeichnet, ich nannte es Strukturgleichungsmodellierung, weil die Pfadanalyse zum Zeitpunkt meiner Veröffentlichung einige Unebenheiten getroffen hatte.
Nämlich alle hatten eine Pfadanalyse durchgeführt, und viele dieser Leute hatten es auf die eine oder andere Weise schlecht gemacht, und plötzlich sahen all diese kleinen Wege wie viele erfundene Geschichten mit vielen kleinen Sternchen aus, die viele bedeutende P-Werte darstellen, die sich nicht wirklich der Kontrolle stellten. Schocker! (Nein, kein Schock.) Additionally haben wir alle aufgehört, eine Pfadanalyse durchzuführen, und (innerhalb weniger Jahre scheint es mir) haben wir angefangen, strukturelle Gleichungsmodellierung durchzuführen, manchmal mit standardisierten Koeffizienten. Aber wir haben es nie wieder eine Pfadanalyse genannt.
Wir konnten die Pfadanalyse nicht loslassen, weil der Traum noch am Leben struggle. Wir wollten Kausalität. Wir wollten Dinge verknüpfen, um zu erklären, wie die Welt funktioniert. Und die Manipulation von Pflanzenmerkmalen ist schwierig (haben Sie jemals versucht, Blumen verschiedene Farben in einem Feld zu malen? Oder einfügen auf winzigen Haaren (die wir Trichome nennen)?), Aber das Messen ist vergleichsweise weniger schwierig. Wir wollten Kausalität aus Beobachtungsdaten. Das struggle der Traum.
Und der Traum lebt noch. Nach all dieser Zeit.
Und die Träumer scheinen gerade einige der Grundlagen kausaler Schlussfolgerung für Beobachtungsdaten aus den Sozialwissenschaften und Wirtschaftsliteraturen entdeckt zu haben. Damit haben sie festgestellt, dass Vielfalt (mehr Arten) in Grasland zu einer geringeren Produktivität führt, nicht höher (nicht höher (Dee et al. 2023) und verknüpftes weißes Nasensyndrom bei Fledermäusen zu erhöhter Kindersterblichkeit in den östlichen USA ((Frank 2024). Dieses letztere Papier ist das, das mich rasselte, weil ich eine Diskussionsgruppe mit Kollegen besuchte und herausgefunden habe, wie viele meiner Kollegen von diesen „neuen Techniken“ begeistert sind und wie sie die erstaunliche Kraft der festen Effekte für die Suche nach Kausalität und die Gefahren zufälliger Effekte gelernt haben, um uns in die Irre zu führen.
Huh? Fixe Effekte, um den Tag und zufällige Effekte des Schicksals zu retten?
Ich habe einige davon auf mich nachgedacht, um an die gemeinsame Ökologie -Definition von festen versus zufällig zu denken (ich denke, einige näher an der Definition Nr. 2, Seite 245 von Gelman und Hill: „2. Effekte sind fixiert, wenn sie an sich selbst interessant sind, oder zufällig, wenn es Interesse an der zugrunde liegenden Inhabitants gibt. Searle, Casella und McCulloch (1992, Abschnitt 1.4). („5. Fixe Effekte werden unter Verwendung von kleinsten Quadraten (oder allgemeiner maximaler Wahrscheinlichkeit) geschätzt, und zufällige Effekte werden mit Schrumpfung geschätzt („ lineare unvoreingenommene Vorhersage “in der Terminologie von Robinson, 1991). Diese Definition ist Customary in der Multilevel -Modellierungsliteratur (siehe, Snijders und Bosker, 1999, 1999, Abschnitt 4.2) und in Abschnitt 4.2).
Dies erklärt einige der interessanten Zeilen, die ich in diesen Papieren gefunden habe, darunter:
Zufällige Effekte machen die Clusterbildung in Daten über die Fehlerstruktur des Modells (Bolker et al. 2009; Gelman und Hill 2006) aus, anstatt Cluster -Mittelwerte als Teil des Datenerzeugungsprozesses eines Modells zu schätzen (dh über den festen Effekt für jeden Cluster -Mittelwert der Terminologie der gemischten Modelle Literatur). (Byrnes & Dee 2025)
Die zeitlich variierenden Web site-Attribute (μ_ {st}) werden ebenfalls auf eine vollständig versatile Weise modelliert, die einen Jahresspezifischen Effekt für jede Stelle ermöglicht (in der Schätzung wird ein Indikator für jedes Jahr mit einem Indikator für jede Stelle interagiert). (Dee et al. 2023)
ICH denken Die Autoren dieses neuen Turms von Babel für die Ökologie haben ebenfalls zufällige und gemischte Effekte definiert, um nur lineare Modelle mit Teilpooling von LMER-Stilen an Abschnitten (nie Neigungen, die ich annehme) mit festen Effekten auf Hänge (zurück zur Definition Nr. 2). Sie gehen sogar so weit, dies als das zu bezeichnen.Gemeinsames Design in der Ökologie”(Sie Kapitalisieren auch Ökologie und Ökologen in Byrnes & Dee 2025was ich seltsam finde – ist das hochdeutsch? Persönlich, als Ökologe, glaube ich nicht, dass ich einen Großbuchstaben brauche) und erklären Sie:
Ohne variablere Transformationen eignet sich der multi-Stage-Modellierungsansatz nicht leicht für die Kontrolle von so vielen nicht beobachtbaren Störquellen, wie in unserem linearen, additiven Schätzer mit festen Effekten der Panel-Panel-Panel-Daten vorgenommen werden kann. (Dee et al. 2023in Supp)
Ich dachte darüber nach, diesen Beitrag „den Turm der Babeling -Kausalität“ oder „das Downside mit der statistischen Terminologie“ zu nennen, aber das eigentliche Downside ist nicht, wie verloren in den Wörtern, die wir mit der Terminologie bekommen, verloren gehen. Es ist teilweise, wie leicht Ökologen „neue“ Begriffe und Ansätze wollen, die alles lösen. Die Autoren, die mit Datenansätzen und Instrumentenvariablen mit Ökonometrics Panel -Panel ausgestattet sind (wenn die meisten Ökologen nicht wissen, was ein Instrument in ihren Experimenten ist), ließen alle Ökologen, die von „zufälligen Effekten“ begeistert sind, für sie gelegt. Ich bin damit einverstanden, dass wir zu viele Menschen geschult haben, um zu glauben, dass genug kategoriale Kovariaten (Web site, Plot, Jahr…) über den Abfangen eines einfachen linearen Modells den Tag retten wird. Es ist ein Downside Das korrekte Statistiken an sein Das korrekte Statistiken sein. Und wie schnell ein neuer Ansatz in der Ökologie verändern wird. Wir scheinen schnell zu lernen-und neu zu lernen-, dass schlechte Statistiken Sie leicht in die Irre führen können, aber niemals diese guten Statistiken allein übernehmen werden.
Um klar zu sein, ich habe kein riesiges Downside mit diesen Methoden. Ich habe ein Downside damit, wie sie als Erlöser präsentiert werden (und wie sie als neu präsentiert werden, aber vielleicht brauchen wir den „neuen“ und „Erlöser“ -Anwinkel, um Grace zu folgen), aber ich habe ein größeres Downside darin, wie schnell sie aufgenommen werden. Ich fürchte, in den nächsten 10 Jahren werde ich in einem Meer von Piranhas leben, in dem viele ökologische Probleme 5-10% der Kindersterblichkeit und Pflanzenproduktivität erklären.
Und das ist das andere Downside – das größere: Wie viel Menschen diese Kausalität wollen. Sie möchten glauben, dass wir die Daten und Methoden haben, um zu zeigen, dass eine Krankheit, die Fledermäuse auslöscht, zu einem Anstieg der Kindersterblichkeit um 8% führt. Natürlich sollten wir Kausalität wünschen, wir sind Wissenschaftler, aber der Antrieb nach Kausalität scheint vieles, was wir als Wissenschaftler benötigen, insbesondere Schätzungen der Unsicherheit und der Fähigkeit, den Raum für Unsicherheit zu verlassen, damit wir bessere Methoden und bessere Antworten durchsuchen. Ich weiß nicht, ob der Rückgang des Fledermaus die Kindersterblichkeit um 8% erhöht hat (obwohl ich an dieser Zahl angesichts der Sprache des Autors und wie „empörend“, dass er der Meinung ist, dass er alle seine Daten für die Menschen zu sein, die an seine Behauptungen glauben, teilen sollen). Ich weiß nur, dass wir es geschafft haben, Wissenschaft zu machen und Fortschritte zu erzielen, und es struggle nicht so, weil wir bessere statistische Methoden erhalten oder ein Glossar einer bestimmten Reihe von Menschendefinitionen von DAGs und festen Effekten auswendig gelernt haben.
Ich werde in einem dieser Papiere für alte Arbeiten zitiert, die ich gemacht habe, wo ich Verschiebungen des Timings der Blüte und des Blätters mit der Erwärmung im Laufe der Zeit (aufgrund anthropogener Klimawandel und natürlicher Variation) und experimentelle Erwärmung (aufgrund von Infrarotheizungen oder winzigen winzigen Plastikgrünhousen – auch in den ökologischen Experimenten!) Verglichen habe. Die Schätzungen aus experimentellen und Beobachtungsdaten waren unterschiedlich – der Effekt der Erwärmung in Beobachtungsdaten struggle größer. Ich habe viele verschiedene statistische Analysen durchgeführt, um dies herauszufinden, ich habe sogar etwas in der Nähe des „gemeinsamen Designs in der Ökologie“ (obwohl die Autoren mich nicht dafür zu scheinen) und der Effekt nie verschwunden. Mit Ailene Ettinger und anderen Kollegen bekam ich schließlich alle neuen Daten und fand dasselbe mit leicht unterschiedlichen Statistiken. Aber das struggle nicht der Grund, warum wir alle neuen Daten bekamen, wir haben es dazu gebracht, Hypothesen darüber zu testen, was den Unterschied ausmachte. Und wir fanden heraus, dass es zwei Dinge zu sein schien: Erwärmungsexperimente trocknen Böden aus, die Blatt- und Blüten- und Erwärmungsexperimente verzögern, die ihre Erwärmung überarbeiten (so dass ihre Schätzungen professional Grad kleiner aussehen als sie sollten).
Ich habe das alles getan, ohne jemals den Begriff „kausale Schlussfolgerung“ aufzurufen. Und das ist es, was mich heute für Auszubildende wirklich beunruhigt. Diese „kausale Inferenz“ bedeutet nun einen schmalen Zweig mit erstaunlichen „vollständig flexiblen“, völlig unverhinderten Statistiken. Wir sind Ökologen; Wir können tatsächlich ein paar Sachen manipulieren. Und irgendwie gehen wir so gaga für die ökonometrische Statistik, um uns durch Zeitinvariante feste Effekte (oder was auch immer) Kausalität zu geben, dass wir Studenten haben, die nicht wissen, wie Experimente mit kausaler Schlussfolgerung zusammenhängen können.
Was ist die Lösung? Wenn Sie mich fragen, seien Sie weniger gaga gegenüber einer statistischen Methode (und ich liebe meine eigenen statistischen Methoden, damit ich etwas mehr von dem praktizieren kann, was ich predige) und allen grundlegenden mathematischen Notationen und grundlegenden biologischen Modellen beibringen kann. Lehren Sie ihnen, dass generative Modellierung keiner Teil der Statistik oder nur feste oder zufällige Effekte gehört. Lehren Sie sie, ein einfaches biologisches Modell ausschreiben zu können und Daten daraus zu simulieren und dann ihr statistisches Modell anzupassen. „Nur verbinden!“ Verbinden Sie die Modelle, die Sie für die ökologische Theorie lernen, mit denen, die Sie in Statistiken lernen. (Und vielleicht über die lange Debatte in der Naturschutzbiologie über Cassandras Fluch lehren, aber das ist ein Thema für einen anderen Beitrag.)