[pt] EXPLORANDO RELAÇÕES DE CAUSALIDADE: MODELOS GRÁFICOS CAUSAIS E O FRAMEWORK DOWHY

[en] EXPLORING CAUSAL RELATIONSHIPS: GRAPHICAL CAUSAL MODELS AND THE DOWHY FRAMEWORK

[pt] ANDRE COSTA DE ANDRADE

[pt] INFERENCIA CAUSAL

[pt] RESULTADO POTENCIAL

[pt] GRAFO CAUSAL

[pt] DOWHY

[pt] APRENDIZADO DE MAQUINA

[en] CAUSAL INFERENCE

[en] POTENTIAL OUTCOME

[en] CAUSAL GRAPH

[en] DOWHY

[en] MACHINE LEARNING

[pt] O objetivo foi explorar e aplicar técnicas de inferência causal e machine learning para entender melhor as relações entre variáveis em diferentes contextos. O método utilizado envolveu a construção de um grafo causal, o uso da ferramenta DoWhy para realização de inferência causal junto de modelos de machine learning e validação dos resultados. Inferência causal é a metodologia empregada para determinar relações de causa e efeito entre variáveis, diferentemente de simples associações estatísticas. Machine learning é uma área da inteligência artificial focada em treinar algoritmos para fazer previsões ou identificar padrões a partir de dados. DoWhy é uma ferramenta de código aberto que facilita a implementação de inferência causal, fornecendo um framework para definir, estimar e testar hipóteses causais. Os casos estudados foram Felicidade e Carros, onde analisamos os determinantes da felicidade e os fatores que influenciam o desempenho e a eficiência de veículos automotores. As conclusões foram que a aplicação combinada de inferência causal e machine learning, apoiada pelo DoWhy, oferece uma abordagem robusta para descobrir e validar relações causais em diversas áreas de estudo, fornecendo insights valiosos para decisões baseadas em dados.

[en] The objective was to explore and apply causal inference and machine learning techniques to better understand the relationships between variables in different contexts. The method used involved constructing a causal graph, utilizing the DoWhy tool for performing causal inference alongside machine learning models, and validating the results. Causal inference is the methodology employed to determine cause-and-effect relationships between variables, unlike simple statistical associations. Machine learning is a field of artificial intelligence focused on training algorithms to make predictions or identify patterns from data. DoWhy is an open-source tool that facilitates the implementation of causal inference, providing a framework to define, estimate, and test causal hypotheses. The case studies were Happiness and Cars, where we analyzed the determinants of happiness and the factors influencing the performance and efficiency of motor vehicles. The conclusions were that the combined application of causal inference and machine learning, supported by DoWhy, offers a robust approach to discovering and validating causal relationships in various fields of study, providing valuable insights for data-driven decisions.

MARCOS VIANNA VILLAS

2024-09-04

[pt] TEXTO

application/pdf

PORTUGUÊS

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=67839@1

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=67839@2

https://doi.org/10.17771/PUCRio.acad.67839