×

📘 eBook Eksklusif: Mengungkap Rahasia Web Scraping di Tokopedia – Panduan Lengkap untuk Pemula dengan Python

Rp 25000

Informasi Lengkap

Tentang Causal Inference

Causal inference adalah ilmu untuk menentukan hubungan sebab-akibat dari data. Ketika kita mengamati pola dan korelasi, pertanyaan kunci adalah apakah satu faktor menyebabkan faktor yang lain. Terdapat beberapa buku pengantar yang sangat bagus mengenai causal inference dari perspektif biostatistik (Hernán & Robins, 2024), ilmu komputer (Pearl 2000), ekonomi (Angrist & Pischke, 2008), dan statistik (Imbens & Rubin, 2015; Rosenbaum, 2017), serta banyak artikel ulasan; lihat sebagai contoh Bojinov et al. (2020), Dominici et al. (2021), Hernán et al. (2019), Holland (1986), Li et al. (2023), Pearl (2009), Rubin (2005), dan Stuart (2010).

Dalam konteks causal inference untuk menentukan hubungan sebab-akibat dari data, terdapat beberapa pertanyaan yang menarik, antara lain: 1) Apakah menghadiri playgroup meningkatkan hasil akademik anak nanti dalam hidup? 2) Apakah makan lebih banyak sayuran mengurangi risiko orang terkena penyakit tertentu? Teknik causal inference memberikan teknik yang tepat untuk menjawab pertanyaan-pertanyaan tersebut dan memperkirakan efek sebab-akibat dari suatu intervensi pada hasil. Dengan memanfaatkan data observasional bersamaan dengan data eksperimental dan membuat asumsi yang tepat, metode causal inference memungkinkan peneliti untuk memisahkan sebab-akibat dari asosiasi semata. Bidang ini mengalami perkembangan yang signifikan belakangan ini, didorong oleh inovasi di persimpangan statistik, ilmu komputer, dan berbagai bidang aplikasi.

Mengapa Causal Inference Bersifat Lintas-disiplin?

Causal inference adalah kerangka kerja yang menyatukan disiplin ilmu karena kebanyakan bidang peduli dengan memahami hubungan sebab-akibat yang mendorong hasil. Keputusan penting dalam kedokteran, ilmu kehidupan, kebijakan publik, bisnis, atau bidang lainnya bergantung pada memperkirakan dampak sebab-akibat dari intervensi dan paparan. Misalnya, pemasar ingin tahu kampanye apa yang meningkatkan penjualan, bukan hanya apakah kampanye tersebut berhubungan. Negara perlu menentukan apakah kebijakan baru benar-benar meningkatkan kesejahteraan sosial. Peneliti kecerdasan buatan perlu dan harus menentukan apakah pola dalam data mencerminkan mekanisme sebab-akibat yang akurat yang dapat dieksploitasi dalam sistem prediksi. Meskipun aplikasi yang spesifik berbeda, upaya mendasar untuk menyimpulkan sebab akibat dari data mengikatkan masalah di seluruh domain yang berbeda. Causal inference memberikan seperangkat alat dan bahasa bersama untuk menangani tantangan universal ini.

Dengan membaca artikel-artikel kolom Catalytic Causal Conversations ini, Anda akan belajar dan menghargai bagaimana metode dan aplikasi dari gagasan causal inference dapat memberi dampak besar pada banyak disiplin ilmu pengetahuan.

Daftar Pustaka

Angrist, J. D., & Pischke, J.-S. (2008). Mostly harmless econometrics: An empiricist’s companion. Princeton University Press. https://doi.org/10.2307/j.ctvcm4j72

Bojinov, I., Chen, A., & Liu, M. (2020). The importance of being causal. Harvard Data Science Review, 2(3). https://doi.org/10.1162/99608f92.3b87b6b0

Dominici, F., Stoffi, F. J. B., & Mealli, F. (2021). From controlled to undisciplined data: Estimating causal effects in the era of data science using a potential outcome framework. Harvard Data Science Review, 3(3). https://doi.org/10.1162/99608f92.8102afed

Hernán, M. A., Hsu, J., & Healy, B. (2019). A second chance to get causal inference right: A classification of data science tasks. CHANCE, 32(1), 42–49. https://doi.org/10.1080/09332480.2019.1579578

Hernán, M. A., & Robins, J. M. (2024). Causal inference: What if. CRC Press. https://www.hsph.harvard.edu/miguel-hernan/causal-inference-book/

Holland, P. W. (1986). Statistics and causal inference. Journal of the American Statistical Association, 81(396), 945–960. https://doi.org/10.2307/2289064

Imbens, G. W., & Rubin, D. B. (2015). Causal inference for statistics, social, and biomedical sciences: An introduction. Cambridge University Press. https://doi.org/10.1017/CBO9781139025751

Li, F., Ding, P., & Mealli, F. (2023). Bayesian causal inference: A critical review. Philosophical Transactions of the Royal Society A, 381(2247), Article 20220153. https://doi.org/10.1098/rsta.2022.0153

Pearl, J. (2009). Causal inference in statistics: An overview. Statistics Surveys, 3, 96–146. https://doi.org/10.1214/09-SS057

Pearl, J. (2000). Causality: Models, reasoning and inference (1st ed.). Cambridge University Press. https://doi.org/10.1017/S0266466603004109

Rosenbaum, P. (2017). Observation and experiment. Harvard University Press. https://doi.org/10.4159/9780674982697

Rubin, D. B. (2005). Causal inference using potential outcomes: Design, modeling, decisions. Journal of the American Statistical Association, 100(469), 322–331. https://doi.org/10.1198/016214504000001880

Stuart, E. A. (2010). Matching methods for causal inference: A review and a look forward. Statistical Science, 25(1), 1–21. https://doi.org/10.1214/09-sts313

©2024 Iavor Bojinov dan Francesca Dominici. Artikel ini dilisensikan di bawah lisensi Creative Commons Attribution (CC BY 4.0) internasional, kecuali dinyatakan lain berkaitan dengan materi tertentu yang termuat dalam artikel.