乔德亚佩尔批评迈克尔乔丹不是所有的随机对照试验都叫做假设检验
最近，一篇研究论文在推特上被广泛转发，这篇论文的第一作者是加州大学伯克利分校的迈克尔·乔丹教授。该论文涉及一种构造算法，聚焦于因果推理泛函，并通过有限差分逼近统计泛函的 Gateaux 导数。在概率分布是先验未知但也需要从数据中估计的情况下，估计分布产生经验 Gateaux 导数，因此作者还进一步考察了经验、数值和分析 Gateaux 导数之间的关系。
一个关注提供贝叶斯网络软件和服务的公司账号 @www.ar-tiste.xyz（以下称“ar-tiste”）转发了该论文，并评论说迈克尔·乔丹教授用贝叶斯网络而不是结构因果模型（SCM）来进行反事实计算，所以他认为可以在不使用 SCM 的情况下进行第三阶梯（即反事实）的推理计算。
然而，乔德亚·佩尔认为任何声称使用贝叶斯网络进行反事实计算的人都应该受到质疑。他指出，Jordan 的这篇论文将反事实定义为 E[Y(1)]，也就是第二阶梯，而不是第三阶梯的反事实，即 E[Y(1)Y]。他引用自己的著作《Causality: models, reasoning, and inference》中的示例来支持他的观点。
一位研究因果关系俄罗斯学者参与了讨论，他指出，反事实涉及的是类似于“如果治疗方案不同，结果有多大可能不同？”的问题。所以，这篇论文并不是在做反事实计算。
ar-tiste 回应说，他并没有宣称 SCM 是错误的，而是认为 SCM 是一个特例，如果做一个 bnet 的全概率分布函数，则该扩展中的主导项就是 SCM。他认为，这也是 Jordan 这篇论文所要探讨的话题，该文并非一篇关于变分推理（VI）的文章。
Pearl 强烈驳斥了 ar-tiste 的观点，他表示自己并没有声称只能使用 SCM 进行反事fact 计算，而是提出了一个原则，即如果你想了解你在做什么，你想捍卫或检验你的假设，那么你就需要知道反事fact 来源于 SCM。
Pearl 引用了一篇早年的博客文章，其中他提到，因果分析现代工具并不新鲜，它们来自 SEM 框架，有机继承而来的。这意味着人们可以利用 SEM 研究使得因果分析更有效。他强调，无论如何，只有当我们能够明确我们的理论框架和方法时，我们才能准确地回答有关世界如何运行的问题。
