Bayesian causal inference is een statistische benadering waarmee je de oorzaak-en-gevolgrelaties tussen variabelen kunt onderzoeken en kwantificeren. Het is gebaseerd op de principes van Bayesiaanse statistiek en probabilistische redenering. Onlangs hebben we deze methodiek gebruikt voor een klant waarbij incrementaliteit van een verkoopkanaal moest worden vastgesteld. Door het gebruik van deze methode hebben we nauwkeuriger de rol van het kanaal in de klantreis vast kunnen stellen, waardoor besluitvorming aangaande budgettering gegronder gedaan kan worden.
Hier is een overzicht van hoe Bayesian causal inference werkt:
1. Definitie van Variabelen:
Om te beginnen, definieer je de variabelen die je wilt onderzoeken en identificeer je welke als de onafhankelijke variabele (oorzaak) en welke als de afhankelijke variabele (gevolg) fungeert.
2. Opstellen van Een Model:
Stel een causaal model op dat de veronderstelde oorzaak-en-gevolgrelaties tussen de variabelen weergeeft. Dit model wordt vaak weergegeven als een grafische voorstelling, zoals een Bayesiaans netwerk, waarbij pijlen de causale relaties aangeven.
3. Verzamelen van Gegevens:
Verzamel gegevens over de variabelen in je model, inclusief gegevens over de oorzaak- en gevolgvariabelen, evenals andere relevante variabelen die als verstorende factoren kunnen fungeren.
4. Opstellen van Priors:
In Bayesiaanse causal inference werken we met Bayesiaanse kansen. Voordat je de gegevens analyseert, stel je a-priori kansen in voor de causale relaties in je model. Deze kansen weerspiegelen je initiële overtuigingen over de sterkte van de causaliteit.
5. Likelihood Berekenen:
Bereken de kansverdeling van de gegevens gegeven het causale model. Dit wordt de likelihood genoemd en houdt rekening met de kans op het waarnemen van de gegevens als de causale relaties in het model waar zijn.
6. Berekenen van Posteriors:
Met behulp van Bayes’ theorema combineer je de a-priori kansen en de likelihood om de a-posteriori kansen te berekenen. Dit zijn de bijgewerkte kansen voor de causale relaties in je model op basis van de verzamelde gegevens.
7. Inferentie en Hypothesetesting:
Je kunt inferenties maken op basis van de a-posteriori kansen. Als de a-posteriori kansen aantonen dat er een sterk causaal verband bestaat, kun je concluderen dat er een causale relatie is. Je kunt ook hypothesen testen, zoals het vergelijken van verschillende modellen om te bepalen welke het beste past bij de gegevens.
Bayesian causal inference is vooral nuttig in situaties waar traditionele statistische methoden mogelijk tekortschieten, zoals wanneer er veel verstorende factoren zijn of wanneer er complexe causale relaties in het spel zijn. Het stelt je in staat om probabilistische uitspraken te doen over oorzaak-en-gevolgrelaties en de onzekerheid in die relaties in kaart te brengen.
