Skip to content
RATH
Descobrir Causas
What If Analysis

Análise de "E Se" (What-if Analysis)

O que é análise de "E Se"

Análise de "E Se" é um subconjunto da Análise Causal. É um método amplamente utilizado para analisar os possíveis resultados de diferentes cenários. Ele ajuda indivíduos a compreender a relação entre vários elementos examinando os possíveis resultados de diferentes situações. Este método é frequentemente utilizado para avaliar as possíveis consequências de um evento ou para considerar os efeitos de diferentes ações em uma determinada situação.

No RATH, é possível realizar uma análise de "E Se" com base em um modelo causal previamente estabelecido, uma vez que o processo de descoberta causal tenha sido concluído. Isso pode ser feito manipulando uma ou mais variáveis e observando como afeta as outras variáveis ​​no modelo. Análise de "E Se" baseada em um Modelo Causal

Realizando análise de "E Se"

Para facilitar a utilização da análise de "E Se", o RATH incorpora algoritmos de descoberta causal, como o DECI, capazes de descobrir influências não lineares em dados de alta dimensão por meio de deep learning e usando essas informações para previsão e inferência.

O algoritmo DECI (Inferência Causal de ponta a ponta Do Profundo) é um método de inferência causal baseado em deep learning. Ele modela a relação causal construindo uma rede neural profunda e estima os parâmetros da relação causal por meio do treinamento do modelo. Na prática, pode ser utilizado para prever o impacto de um evento sobre outro ou estimar o efeito de uma medida sobre um resultado. Análise de "E Se" baseada em DECI

Neste exemplo, utilizamos o banco de dados "Previsão do estado de fumante usando Bio-Sinais" (opens in a new tab) do Kaggle.com

Considere a relação entre parar de fumar e peso e use a função de descoberta causal do RATH para produzir um modelo causal. No módulo de análise de "E Se", a cessação do tabagismo é selecionada como variável independente e ajustada aumentando seu valor. O RATH vai estimar e prever a influência da "cessação do tabagismo" sobre outras variáveis dependentes, como peso, que se espera aumentar com o grau de cessação do tabagismo. Conforme os dados sugerem, parar de fumar pode levar ao ganho de peso.

No caso de um conjunto de dados um pouco mais complexo, o algoritmo DECI pode ser selecionado para descoberta causal e um diagrama preliminar de estrutura causal gerado.A exploração inicial do gráfico pode ser feita clicando nos nós de interesse e destacando esses nós e as arestas adjacentes, com as informações do conjunto de nós selecionados exibidas à direita. Mais funções de exploração podem ser encontradas no capítulo de Análise Causal.

Análise de E se baseada em DECI

No módulo de análise "e se", as variáveis de interesse podem ser selecionadas e controladas clicando no "botão de triângulo" no lado esquerdo da variável e ajustando seu valor. O impacto da variável independente controlada no valor da variável dependente pode ser observado, com as mudanças nos valores dos nós afetados também refletidos no gráfico causal à esquerda. RATH suporta o controle simultâneo de várias variáveis para permitir análises causais multidimensionais e complexas.

Análise de E se baseada em DECI Análise de E se baseada em DECI

Variáveis categóricas

Para algumas variáveis categóricas, é mais difícil observar diretamente a influência dessa variável por outras variáveis numericamente. No módulo de análise "e se", basta clicar nas variáveis categóricas e elas serão automaticamente decompostas em novas variáveis compostas de vários valores (semelhante à codificação one-hot), e então o "e se" iindicará o impacto sobre o efeito das variáveis decompostas. (Por exemplo, se tivermos uma variável de "tomar medicamentos", ela será decomposta em se tomar o medicamento A, se tomar o medicamento B, se tomar placebo, etc.)

Variáveis Categóricas na Análise de E se

Alterar layouts de visualização gráfica

RATH integra uma variedade de algoritmos para diferentes layouts de visualização gráfica. Para diferentes estruturas topológicas causais, você pode escolher livremente o algoritmo de layout apropriado. Para estudar a estrutura intervariável de diferentes perspectivas.

Mudar gráficos de análise causal

Próximos passos