Suche senden
Hochladen
心理與行為資料中的因與果-黃從仁
•
4 gefällt mir
•
1,163 views
Tren Huang
Folgen
2016台灣資料科學年會
Weniger lesen
Mehr lesen
Wissenschaft
Melden
Teilen
Melden
Teilen
1 von 39
Jetzt herunterladen
Downloaden Sie, um offline zu lesen
Empfohlen
黃從仁/心理與行為資料中的因與果
黃從仁/心理與行為資料中的因與果
台灣資料科學年會
認知神經科學x人工智慧-黃從仁
認知神經科學x人工智慧-黃從仁
Tren Huang
心理學x資料科學-黃從仁
心理學x資料科學-黃從仁
Tren Huang
人工智慧與機器人能有意識嗎? - 黃從仁
人工智慧與機器人能有意識嗎? - 黃從仁
Tren Huang
需求x科技-黃從仁
需求x科技-黃從仁
Tren Huang
[系列活動] 手把手的深度學習實務
[系列活動] 手把手的深度學習實務
台灣資料科學年會
[系列活動] 人工智慧與機器學習在推薦系統上的應用
[系列活動] 人工智慧與機器學習在推薦系統上的應用
台灣資料科學年會
[DSC x TAAI 2016] 林守德 / 人工智慧與機器學習在推薦系統上的應用
[DSC x TAAI 2016] 林守德 / 人工智慧與機器學習在推薦系統上的應用
台灣資料科學年會
Empfohlen
黃從仁/心理與行為資料中的因與果
黃從仁/心理與行為資料中的因與果
台灣資料科學年會
認知神經科學x人工智慧-黃從仁
認知神經科學x人工智慧-黃從仁
Tren Huang
心理學x資料科學-黃從仁
心理學x資料科學-黃從仁
Tren Huang
人工智慧與機器人能有意識嗎? - 黃從仁
人工智慧與機器人能有意識嗎? - 黃從仁
Tren Huang
需求x科技-黃從仁
需求x科技-黃從仁
Tren Huang
[系列活動] 手把手的深度學習實務
[系列活動] 手把手的深度學習實務
台灣資料科學年會
[系列活動] 人工智慧與機器學習在推薦系統上的應用
[系列活動] 人工智慧與機器學習在推薦系統上的應用
台灣資料科學年會
[DSC x TAAI 2016] 林守德 / 人工智慧與機器學習在推薦系統上的應用
[DSC x TAAI 2016] 林守德 / 人工智慧與機器學習在推薦系統上的應用
台灣資料科學年會
[系列活動] 一日搞懂生成式對抗網路
[系列活動] 一日搞懂生成式對抗網路
台灣資料科學年會
[系列活動] Data exploration with modern R
[系列活動] Data exploration with modern R
台灣資料科學年會
[系列活動] Python爬蟲實戰
[系列活動] Python爬蟲實戰
台灣資料科學年會
[系列活動] 使用 R 語言建立自己的演算法交易事業
[系列活動] 使用 R 語言建立自己的演算法交易事業
台灣資料科學年會
[系列活動] 智慧製造與生產線上的資料科學 (製造資料科學:從預測性思維到處方性決策)
[系列活動] 智慧製造與生產線上的資料科學 (製造資料科學:從預測性思維到處方性決策)
台灣資料科學年會
[系列活動] 無所不在的自然語言處理—基礎概念、技術與工具介紹
[系列活動] 無所不在的自然語言處理—基礎概念、技術與工具介紹
台灣資料科學年會
Weitere ähnliche Inhalte
Andere mochten auch
[系列活動] 一日搞懂生成式對抗網路
[系列活動] 一日搞懂生成式對抗網路
台灣資料科學年會
[系列活動] Data exploration with modern R
[系列活動] Data exploration with modern R
台灣資料科學年會
[系列活動] Python爬蟲實戰
[系列活動] Python爬蟲實戰
台灣資料科學年會
[系列活動] 使用 R 語言建立自己的演算法交易事業
[系列活動] 使用 R 語言建立自己的演算法交易事業
台灣資料科學年會
[系列活動] 智慧製造與生產線上的資料科學 (製造資料科學:從預測性思維到處方性決策)
[系列活動] 智慧製造與生產線上的資料科學 (製造資料科學:從預測性思維到處方性決策)
台灣資料科學年會
[系列活動] 無所不在的自然語言處理—基礎概念、技術與工具介紹
[系列活動] 無所不在的自然語言處理—基礎概念、技術與工具介紹
台灣資料科學年會
Andere mochten auch
(6)
[系列活動] 一日搞懂生成式對抗網路
[系列活動] 一日搞懂生成式對抗網路
[系列活動] Data exploration with modern R
[系列活動] Data exploration with modern R
[系列活動] Python爬蟲實戰
[系列活動] Python爬蟲實戰
[系列活動] 使用 R 語言建立自己的演算法交易事業
[系列活動] 使用 R 語言建立自己的演算法交易事業
[系列活動] 智慧製造與生產線上的資料科學 (製造資料科學:從預測性思維到處方性決策)
[系列活動] 智慧製造與生產線上的資料科學 (製造資料科學:從預測性思維到處方性決策)
[系列活動] 無所不在的自然語言處理—基礎概念、技術與工具介紹
[系列活動] 無所不在的自然語言處理—基礎概念、技術與工具介紹
心理與行為資料中的因與果-黃從仁
1.
心理與行為資料 中的因與果 黃從仁 模型建構與資訊學實驗室 臺灣大學心理學系
2.
Hanging suicides US spending on science US spending on science, space, and technology correlates with Suicides by hanging, strangulation and suffocation Hanging suicides US spending on science 1999 2000
2001 2002 2003 2004 2005 2006 2007 2008 2009 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 6000 suicides 8000 suicides 4000 suicides 10000 suicides $15 billion $20 billion $25 billion $30 billion tylervigen.com 科研經費 & 自殺率 海濤法師:「假的!」
3.
共整合 (Cointegration) 指隨機事件(如GPS座標)有真實的相關 ( R
: egcm {egcm}, ca.jo {urca} ) Engle & Granger, 1987; Johansen, 1991; Phillips & Ouliaris, 1990
4.
真相關 vs. 假相關 可透過多元迴歸或實驗法來檢驗真假 Aldrich,
1995; Pearson, 1897
5.
© Shane Turnbull 相關不能推論因果 因果推論的陷阱與方法 資料科學中的因果
6.
“相關不能推論因果” 這句話和“大數據”出現的頻率有相關
7.
大數據中的相關 可以幫助我們看清楚局部與全局的趨勢 Robinson, 1950
8.
大數據時代重相關不重因果 「知道what(相關)就夠了,沒必要知道why(因果) 」 Google提示相關字 信用與行為的相關 懷孕與購物形態相關 啤酒與尿布常被合購
9.
因果不是那麼重要 (?) 例如推薦購買不需要了解因果
10.
相關能暗示因果 客服說什麼話(因)能增進顧客消費(果)? Takeuchi et al.,
2007 > ~ < ~ 驗證實驗(N=22+61)的結果邊緣顯著(p=0.0674)
11.
© Shane Turnbull 相關不能推論因果 因果推論的陷阱與方法 資料科學中的因果
12.
因果中的 INUS 條件 非必要但充分的條件中,不充分但非多餘的部分 風險因子(因)
事件(果) 性格違常 長期失業 有家庭狀況 有藥酒毒癮 … 隨機殺人
13.
關鍵資料的搜集 因果關係中的「因」API有提供嗎?
14.
彈孔位置 & 飛機失事 沒有搜集到因果關係中的「因」 應強化機頭,機尾,機翼,或機身來避免失事?
15.
相關 vs. 因果 主要的差別在有沒有“做” Pearl,
2000 真實因果: P( 果 | 做(因) ) > P( 果 | 做(~因) ) 機率因果: P( 果 | 因 ) > P( 果 | ~因 )
16.
因果關係的定義 假設X為因(自變項),Y為果(依變項) Shadish et al.,
2002 1.時序上X須先於Y 2.X與Y須共變 3.X最合理解釋Y的變化 故實驗最能確立因果
17.
不是總能做實驗 (?) 假設要研究種族vs.膚色效應(如廣告效果) 可以把受試者塗成黑人或至少把照片PS一下
18.
非隨機分派: 自然實驗與類實驗 混淆變項常透過共變數分析(ANCOVA)來控制 Beckett et
al., 2006; Egan, 2015
19.
社會經濟地位 影響智力測驗分數,學業成就,健康狀況等
20.
類實驗 : 奧斯卡金像獎
& 壽命 (1/2) Redelmeier & Singh, 2001 曾被提名者均壽79.7 不曾被提名者均壽75.8 社經地位(因)影響壽命(果)嗎?
21.
長壽效應在矯正完 immortal time
bias 後就不顯著 類實驗 : 奧斯卡金像獎 & 壽命 (2/2) Sylvestre et al., 2006 倒果為因:活得過久才更有機會被提名 不會被提名 不會被提名 會被提名 會被提名 沒提 有提
22.
Immortal time bias
在生醫資料庫分析中也常見 生醫範例 : ICU存活率 & 寶可夢療法 Suissa, 2007, 2008 不打算玩 不打算玩 打算玩 打算玩 沒玩 有玩
23.
© Shane Turnbull 相關不能推論因果 因果推論的陷阱與方法 資料科學中的因果
24.
同時性的機率因果 : 規則 可用購物籃分析來找條件機率:P(1|3)≠P(3|1) (
R : apriori {arules} ) TID Items 100 1 3 4 200 2 3 5 300 1 2 3 5 400 2 5 Database D itemset sup. {1} 2 {2} 3 {3} 3 {4} 1 {5} 3 itemset sup. {1} 2 {2} 3 {3} 3 {5} 3 Scan D C1 L1 itemset {1 2} {1 3} {1 5} {2 3} {2 5} {3 5} itemset sup {1 2} 1 {1 3} 2 {1 5} 1 {2 3} 2 {2 5} 3 {3 5} 2 itemset sup {1 3} 2 {2 3} 2 {2 5} 3 {3 5} 2 L2 C2 C2 Scan D Agrawal et al., 1993
25.
實務上很難從症狀推論疾病 範例 : 心理異常症狀
& 疾病分類 Lin & Huang, 2016 size:lift color:lift {OutBurst, +9 items} − 58 rules {Vindictive, +11 items} − 61 rules {Sleep, +28 items} − 21880 rules {LotsAlcohol, +24 items} − 357 rules {FearNeg, +31 items} − 23604 rules {DepMood, +57 items} − 67543 rules {Restless, +20 items} − 4338 rules {DepMood, +62 items} − 28597 rules {FearSoci, +24 items} − 48262 rules {FearSoci, +28 items} − 2126 rules {LotsAlcohol, +39 items} − 1258 rules {Sleep, +25 items} − 15061 rules {FearAnx, +28 items} − 17881 rules {ControlWorry, +20 items} − 12786 rules {ApartDistress, +16 items} − 249 rules {FearAnx, +22 items} − 1493 rules {DepMood, +14 items} − 3996 rules {DepMood, +40 items} − 27203 rules {Sleep, +33 items} − 1001 rules {DepMood, +35 items} − 26671 rules {Alcohol} {S.Phobia} {GAD} {Drug} {PTSD} {SociPhobia} {MDDH} {MDD} {Dysthymia} {CD} {Tobacco} {PanicATT} {PanicD} {Agorophobia} {ODDH} {ODD} {SepAnxiety} {IEDH} {IED} LHS RHS
26.
同時性的機率因果 : 網絡 可用有向非循環圖(DAG)來表示因果 (
R : ida {pcalg} ) Maathuis et al., 2010 真實因果 估計因果
27.
透過網絡來檢視心理異常症狀間的關係 範例 : 解構與重建構心理疾病
(1/2) Lin & Huang, 2016
28.
再利用網絡集群演算法來重新分類疾病 ( R :
infomap.community {igraph} ) 範例 : 解構與重建構心理疾病 (2/2) Lin & Huang, 2016 - - A A C D A C B C D + +
29.
人格 特質 1 5 4 3 2 6 7 8 反射模型:心理特質(因)造就外顯行為(果) 範例 : 人格特質與行為
(1/4) 外顯行為的相關為假相關 Cramer et al., 2012
30.
人格 特質 1 5 4 3 2 6 7 8 形成模型:外顯行為(因)定義心理特質(果) 範例 : 人格特質與行為
(2/4) 不同面向的行為有某種一致性 Cramer et al., 2012
31.
行為 1 行為 4 行為 3 行為 9 行為 8 行為 7 行為 6 行為 2 行為 5 A 特質 B 特質 Bridge 網絡模型:外顯行為彼此互為因果 範例
: 人格特質與行為 (3/4) 特質由一群共變的行為來定義 Cramer et al., 2012
32.
網絡模型:外顯行為彼此互為因果 範例 : 人格特質與行為
(4/4) Cramer et al., 2012
33.
非同時性的因果: Granger Causality 檢驗先發生的X能否預測後發生的Y (
R : grangertest {lmtest} ) Granger, 1969
34.
範例 : 雞生蛋?
蛋生雞? Thurman Fisher, 1988 + 可用granger causality來檢驗
35.
範例 : 心理異常症狀的進程 可透過網絡模型的模擬來預測 Lin
Huang, 2016 Irr (a) (b) Time LossInt DepMood Appetite Weight Sleep Psychomotor Fatigue Worthless Concentrate DeathThought Hopelessness Esteem AnxWorry ControlWorry Restless Irr MuscleTension DepMood Appetite Weight Sleep Psychomotor Fatigue Worthless Concentrate DeathThought Hopelessness Esteem AnxWorry ControlWorry Restless Irr MuscleTension LossInt LossInt DepMood Appetite Weight Sleep Psychomotor Fatigue Worthless Concentrate DeathThought Hopelessness Esteem AnxWorry ControlWorry Restless Irr MuscleTension LossInt DepMood Appetite Weight Sleep Psychomotor Fatigue Worthless Concentrate DeathThought Hopelessness Esteem AnxWorry ControlWorry Restless Irr MuscleTension LossInt DepMood Appetite Weight Sleep Psychomotor Fatigue Worthless Concentrate DeathThought Hopelessness Esteem AnxWorry ControlWorry Restless Irr MuscleTension LossInt DepMood Appetite Weight Sleep Psychomotor Fatigue Worthless Concentrate DeathThought Hopelessness Esteem AnxWorry ControlWorry Restless Irr MuscleTension LossInt DepMood Appetite Weight Sleep Psychomotor Fatigue Worthless Concentrate DeathThought Hopelessness Esteem AnxWorry ControlWorry Restless Irr MuscleTension LossInt DepMood Appetite Weight Sleep Psychomotor Fatigue Worthless Concentrate DeathThought Hopelessness Esteem AnxWorry ControlWorry Restless Irr MuscleTension
36.
系統動力學 Lin, 2015 強調因果相依
37.
先天↔後天 生理↔心理 情感↔認知 個性↔情境 個體↔環境
38.
© Shane Turnbull 相關不能推論因果 因果推論的陷阱與方法 資料科學中的因果
39.
心理與行為資料 中的因與果 黃從仁 模型建構與資訊學實驗室 臺灣大學心理學系
Jetzt herunterladen