Statistical causality analysis

The problem of identifying deterministic cause-and-effect relationships, initially hidden in accumulated empirical data, is discussed. Statistical methods were used to identify such relationships. A simple mathematical model of cause-and-effect relationships is proposed, in the framework of which several models of causal dependencies in data are described - for the simplest relationship between cause and effect, for many effects of one cause, as well as for chains of cause-and-effect relationships (so-called transitive causes). Estimates are formulated that allow using the de Moivre-Laplace theorem to determine the parameters of causal dependencies linking events in a polynomial scheme trials. The statements about the unambiguous identification of causeand-effect dependencies that are reconstructed from accumulated data are proved. The possibilities of using such data analysis schemes in medical diagnostics and cybersecurity tasks are discussed.

Рассмотрена проблема выявления детерминированных причинно-следственных связей, изначально скрытых в накопленных эмпирических данных. Для выявления таких связей использовались статистические методы. Предложена простая математическая модель причинно-следственных отношений, в рамках которой описано несколько моделей причинно-следственных связей в данных - для простейших отношений между причиной и следствием, для многих следствий одной причины, а также для цепей причинно-следственных связей (так называемых транзитивных причин). Сформулированы оценки, позволяющие с помощью теоремы Муавра-Лапласа определить параметры модели, связывающие события в испытаниях полиномиальной схемы. Обоснованы утверждения об однозначной идентификации причинно-следственных связей, которые восстанавливаются по накопленным данным. Обсуждаются возможности использования таких схем анализа данных в задачах медицинской диагностики и кибербезопасности.