Наконец, на пятом шаге пришло время применить методы причинного вывода к вашему набору данных (обратите внимание, что он еще не использовался) и вашей модели, чтобы ответить на ваши причинно-следственные вопросы. Как мы уже говорили, корреляция не является причинно-следственной связью, поэтому тот факт, что две переменные коррелируют, не означает, что одна является причиной другой. Обычно, когда две переменные коррелируют, но одна не является единственной причиной другой, это происходит из-за существования третьего фактора, который вызывает обе. Переменные, играющие роль общей причины, называются вмешивающимися факторами(confounders). Проще говоря, в каузальном выводе наличие искажающих факторов является корнем всех зол. К счастью, причинно-следственный вывод имеет набор формул, алгоритмов и методологий, которые позволяют вам работать с ними Причинно-следственный анализ — это сочетание методологии и инструментов, которые помогают нам в нашем причинно-следственном анализе. Исторически она имеет три источника развития: статистика в здравоохранении и эпидемиологии, эконометрика и информатика Казалось бы, причем здесь UX? Мне кажется, что подобного рода задачи очень часто могут быть погружены и связаны с человеческим поведением и мышлением, отражаясь в работе с разметчиками данных и аннотаторами для построения лучших моделей: это исследовательская задача, которая очень человеческая и которая может (и должна) стать частью работ и задач исследователей опыта пользователей