Judea Pearl 对 Michael Jordan 发难不是所有随机对照实验都称为反事实探索
Judea Pearl 对 Michael Jordan 的研究表示异议：不是所有随机对照实验都称为「反事实」探索
2011 年图灵奖得主、因果科学之父 Judea Pearl 在其著作《Causality: models, reasoning, and inference》中提出了一种名为“因果阶梯”论（Pearl Causal Hierarchy，PCH），该理论分为三个层级。最低的第一层级是相关（association），涉及的是预测，而不涉及因果关系，只讨论变量之间的关联。第二层级是干预（intervention），涉及因果性，比如吸烟与患肺癌之间的因果关系。而第三层级是反事实（Counterfactuals），涉及的是回答诸如“如果情况不是现在这样，可能会发生什么”的问题。
最近，一篇由加州大学伯克利分校的 Michael Jordan 教授所撰写的研究论文在推特上被转发后，遭到了 Judea Pearl 的批评。这篇论文提出了一个构造算法，以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，该算法还进一步考察了经验 Gateaux 导数和解析 Gateaux 导数之间的关系。
Michael Jordan 教授在这篇论文中使用贝叶斯网络而非结构因果模型（Structural Causal Models）进行反事实计算，这引起了 Judea Pearl 的关注。他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，因为这些方法没有考虑到反事实来源于结构方程模型中的定义。
然而，ar-tiste 在讨论这一点时指出，他并没有宣称结构方程模型是不正确的，而只是认为它是一个特例。如果做一个基于函数全概率分布的一个功能 Taylor 级数，那么该扩展中的主导项就是结构方程模型。他认为，这正是 Michael Jordan 这篇论文所追求的事宜，即 Gateaux 导数作为泛函导数。
这个说法引起了 Judea Pearl 强烈反对，他表示自己并没有声称只能使用结构方程模型进行反事实计算，而是在强调，如果你想了解你正在做什么，你想捍卫或检验你的假设，那么你就需要知道反事实来源于结构方程模型。
此外，Pearl 认为，因果分析现代工具并不新鲜，它们来自 SEM 框架，因此人们可以利用 SEM 研究使得因果分析更有效。此外，他还引用了他早前的博客文章，其中他提到，因果分析工具并非新物质，但是在SEM框架有机继承而来，从而使得分析更加有效。因此，在回应这种误解时，有必要保持严谨态度，并明确区分不同类型的情境和概念以避免混淆。
