Kim jest Judea Pearl?
Judea Pearl (ur. 1936) to informatyk z Uniwersytetu Kalifornijskiego w Los Angeles (UCLA), twórca języka grafów przyczynowych, którym dziś posługują się statystycy, epidemiolodzy i psychologowie. Urodził się w 1936 r. w Bnei Brak koło Tel Awiwu (Carnegie Corporation of New York, 2020).
Z wykształcenia jest inżynierem: studiował elektrotechnikę w Technionie, a w USA zrobił magisterium z fizyki na Rutgers University i doktorat w Polytechnic Institute of Brooklyn. Pracował w laboratoriach RCA w Princeton i w firmie Electronic Memories w Kalifornii nad nadprzewodzącymi urządzeniami pamięci. W 1970 r. przeszedł na UCLA jako profesor informatyki i statystyki; kierował tam Cognitive Systems Laboratory, a od 1994 r. jest profesorem emeritus (Carnegie Corporation of New York, 2020).
Jest członkiem National Academy of Engineering i laureatem Medalu Benjamina Franklina. Za rok 2011 otrzymał Nagrodę Turinga ACM – za fundamentalny wkład w sztuczną inteligencję przez rozwinięcie rachunku rozumowania probabilistycznego i przyczynowego (Carnegie Corporation of New York, 2020; Heidelberg Laureate Forum Foundation, b.d.).
Najważniejsze pomysły
- Od sieci probabilistycznych do przyczyn. Zaczynał od sieci probabilistycznych do opisu niepewności w systemach sztucznej inteligencji (książka z 1988 r.), a potem przeszedł do pytania, jak z grafów odczytać skutki interwencji (Carnegie Corporation of New York, 2020).
- Diagramy przyczynowe (1995). W „Biometrice” Pearl (1995) zaproponował grafy jako matematyczny język łączący dane z wiedzą dziedzinową. Z diagramu przyczynowego da się odczytać, czy przyjęte założenia wystarczą do oszacowania efektu przyczynowego z danych nieeksperymentalnych. Jeśli tak – graf daje wzór na ten efekt; jeśli nie – podpowiada, co jeszcze zmierzyć albo jaki eksperyment przeprowadzić. W tej pracy opisał kryterium tylnych drzwi, kryterium drzwi frontowych i reguły rachunku operatora do(·) – zapis interwencji „ustaw X na wartość x” w odróżnieniu od samej obserwacji.
- Grafy w epidemiologii (1999). Greenland, Pearl i Robins (1999) wprowadzili diagramy przyczynowe do epidemiologii jako punkt wyjścia do decyzji, które zmienne mierzyć i kontrolować.
- Książki. Wcześniej wydał Heuristics (1984), a w 2000 r. monografię Causality (wyd. 2: Pearl, 2009). Z Daną Mackenzie napisał The Book of Why (Pearl i Mackenzie, 2018).
Ciekawostka
Do Stanów Zjednoczonych Pearl przyjechał w 1960 r. z 56 dolarami w kieszeni – chciał robić studia magisterskie. Na czesne zarabiał w laboratoriach badawczych RCA im. Davida Sarnoffa w Princeton, gdzie pracował nad pamięciami komputerowymi (Carnegie Corporation of New York, 2020).
Przyszły twórca teorii przyczynowości zaczynał więc od sprzętu: nadprzewodzących urządzeń parametrycznych i pamięci, najpierw w RCA, potem w kalifornijskiej firmie Electronic Memories. Na uczelnię przeszedł dopiero w 1970 r., a pierwszą książkę – o heurystykach – wydał w 1984 r. W 2020 r. Carnegie Corporation of New York umieściła go wśród wyróżnionych w programie Great Immigrants.
Przykład: efekt mimo niezmierzonego zakłócacza
Hasła o zmiennej zakłócającej i zderzaczu pokazują, jak wybierać zmienne kontrolne. Tu pokazujemy pomysł z pracy z 1995 r., który działa, gdy zakłócacza U nie da się zmierzyć: kryterium drzwi frontowych. Wystarczy mediator M, przez który płynie cały wpływ X na Y i na który U nie działa. Efekt składa się wtedy z dwóch kroków, z których każdy da się oszacować: wpływ X na M (bez zakłóceń) i wpływ M na Y (zakłócenie przez X zamyka kontrola X).
Dane są symulowane, zmienne zero-jedynkowe, a parametry dobraliśmy ręcznie tak, by różnice były wyraźne. Prawdziwy efekt – różnica prawdopodobieństw Y = 1 po ustawieniu X na 1 i na 0 – wynosi 0.28. W jednym badaniu z 5000 osób (set.seed(1995)) M wystąpiło u 78.8% osób z X = 1 i u 10.4% z X = 0. Naiwna różnica odsetków dała 0.524, czyli prawie dwa razy za dużo. Kontrola mediatora dała 0.249 – przypadkiem blisko prawdy, choć bezpośredni efekt X wynosi 0, a cała ta wartość to zakłócenie przez U. Wzór drzwi frontowych dał 0.274, a kontrola U (możliwa tylko w symulacji) – 0.300.
W 500 badaniach po 2000 osób (set.seed(2011)) średnie oszacowania wyniosły: naiwne 0.520 (SD = 0.020), z kontrolą M 0.239 (SD = 0.030), drzwi frontowe 0.281 (SD = 0.022), z kontrolą U 0.280 (SD = 0.027). Środkowe 95% oszacowań drzwi frontowych mieściło się między 0.239 a 0.322.
Na rysunku
Co widać. Najpierw dekada w przemyśle, potem sztuczna inteligencja, a od połowy lat 90. – seria prac i książek o przyczynowości.
Na co uważać. Źródła różnie podają miejsce urodzenia: Heidelberg Laureate Forum – Tel Awiw, Carnegie Corporation of New York – Bnei Brak koło Tel Awiwu. Nagroda Turinga jest przyznawana „za rok”; na osi jest rok 2011, za który ją przyznano.
Podpis do pracy:
set.seed(2011), parametry dobrane ręcznie. Obliczenia i rysunek: R, pakiety ggplot2 i patchwork.Co widać. Naiwna różnica jest silnie zawyżona, bo ścieżka przez U pozostaje otwarta. Kontrola mediatora nie usuwa zakłócenia, tylko zmienia pytanie na efekt bezpośredni – a ten wynosi tu zero. Wzór drzwi frontowych trafia w prawdziwy efekt, choć korzysta tylko ze zmierzonych X, M i Y; jego rozrzut jest tu nawet nieco mniejszy niż przy kontroli U.
Na co uważać. W symulacji graf jest prawdziwy z definicji. W prawdziwych danych kryterium wymaga dwóch mocnych założeń: cały wpływ X idzie przez M, a U nie działa na M bezpośrednio. Gdy któreś zawodzi, wynik jest obciążony, a dane same tego nie pokażą.
Podpis do pracy:
Gdzie spotkasz Pearla w swojej pracy
- Wybór zmiennych kontrolnych. Zamiast kontrolować „wszystko, co mamy”, narysuj graf i zastosuj kryterium tylnych drzwi. Unikniesz kontroli zderzaczy i mediatorów, gdy pytasz o efekt całkowity.
- Mediacja. Graf pokazuje, co jest mediatorem, a co zakłócaczem relacji mediator–wynik – to drugie trzeba kontrolować, by efekt pośredni był interpretowalny.
- Paradoksy. Paradoks Simpsona (zob. też Edward Simpson) przestaje być zagadką, gdy z grafu wiadomo, czy zmienna dzieląca dane jest zakłócaczem, czy skutkiem.
- Dwa języki przyczynowości. Grafy Pearla i model potencjalnych wyników Donalda Rubina opisują te same efekty z dwóch stron. Rysunki ze strzałkami znała wcześniej analiza ścieżek Sewalla Wrighta.
Spory, mity i trudne strony
- „Graf odkrywa przyczyny z danych”. Nie: graf zapisuje założenia badacza. Pearl (1995) pokazuje, jak sprawdzić, czy założenia wystarczą do oszacowania efektu, a jeśli nie – jakich dodatkowych obserwacji lub eksperymentów potrzeba. Hasło korelacja a przyczynowość omawia, dlaczego sam związek nie wystarcza.
- Kryterium drzwi frontowych w praktyce. Sytuacje, w których mediator spełnia oba założenia, są rzadkie, dlatego w badaniach częściej spotkasz kryterium tylnych drzwi i randomizację.
Kryterium drzwi frontowych w R
Kod symuluje dane zgodnie z grafem drzwi frontowych, liczy prawdziwy efekt, cztery oszacowania w jednym badaniu i w 500 powtórzeniach i rysuje rysunek 2. Drugi przepis rysuje oś czasu (rysunek 1). Rysunki na stronie powstały z tych samych obiektów (p1 oraz paneli pA i pB z p2), którym podmieniono tylko motyw na motyw serwisu; dane, geometrie i skale są identyczne. Ziarna: set.seed(1995) i set.seed(2011).
1. Drzwi frontowe a inne oszacowania: rysunek 2
Kod R rysunku 2
# Kryterium drzwi frontowych (Pearl, 1995): efekt X na Y mimo niezmierzonego zakłócacza U
# Graf: U → X, U → Y, X → M → Y; U nie wpływa na M bezpośrednio. Dane symulowane (zmienne 0/1).
suppressPackageStartupMessages({library(ggplot2); library(patchwork)})
kol <- c("#E69F00", "#0072B2", "#009E73", "#CC79A7") # Okabe–Ito
motyw <- theme_minimal(base_size = 13) +
theme(panel.grid.minor = element_blank(), plot.title = element_text(face = "bold"), legend.position = "bottom")
# Parametry dobrane ręcznie, żeby różnice były wyraźne
symuluj <- function(n) {
U <- rbinom(n, 1, 0.5) # niezmierzony zakłócacz
X <- rbinom(n, 1, 0.2 + 0.6 * U) # „leczenie”
M <- rbinom(n, 1, 0.1 + 0.7 * X) # mediator: zależy tylko od X
Y <- rbinom(n, 1, 0.1 + 0.4 * M + 0.4 * U)
data.frame(U, X, M, Y)
}
prawdziwy <- 0.4 * ((0.1 + 0.7) - 0.1) # P(Y | do(X = 1)) − P(Y | do(X = 0)) = 0.4 · 0.7
prawdziwy
# Estymator drzwi frontowych: P(y | do(x)) = Σ_m P(m | x) Σ_x' P(y | m, x') P(x')
drzwi_frontowe <- function(d) {
px <- prop.table(table(factor(d$X, 0:1)))
py_mx <- tapply(d$Y, list(factor(d$M, 0:1), factor(d$X, 0:1)), mean) # wiersze m, kolumny x'
pm_x <- tapply(d$M, factor(d$X, 0:1), mean) # P(M = 1 | x)
py_do <- sapply(c("0", "1"), function(x) {
pm <- c(1 - pm_x[[x]], pm_x[[x]]) # P(M = 0 | x), P(M = 1 | x)
sum(pm * (py_mx %*% px))
})
unname(py_do[2] - py_do[1])
}
oszacowania <- function(d) c(
naiwne = mean(d$Y[d$X == 1]) - mean(d$Y[d$X == 0]),
kontrola_M = unname(coef(lm(Y ~ X + M, data = d))["X"]),
drzwi_frontowe = drzwi_frontowe(d),
tylne_drzwi_z_U = unname(coef(lm(Y ~ X + U, data = d))["X"])) # możliwe tylko, gdyby U zmierzono
# Jedno badanie, n = 5000
set.seed(1995)
d <- symuluj(5000)
round(c(P_X = mean(d$X), P_M_gdy_X1 = mean(d$M[d$X == 1]), P_M_gdy_X0 = mean(d$M[d$X == 0])), 3)
round(oszacowania(d), 3)
# 500 badań po n = 2000
set.seed(2011)
sym <- t(replicate(500, oszacowania(symuluj(2000))))
podsum <- data.frame(metoda = colnames(sym), srednia = colMeans(sym), sd = apply(sym, 2, sd),
q025 = apply(sym, 2, quantile, 0.025), q975 = apply(sym, 2, quantile, 0.975))
print(data.frame(metoda = podsum$metoda, round(podsum[, -1], 3)), row.names = FALSE)
# Rysunek: A – graf drzwi frontowych; B – oszacowania w 500 badaniach
wezly <- data.frame(nazwa = c("X", "M", "Y", "U"), x = c(0, 1, 2, 1), y = c(0, 0, 0, 1),
opis = c("przyczyna", "mediator", "wynik", "niezmierzony"))
krawedzie <- data.frame(x = c(0, 1, 1, 1), y = c(0, 0, 1, 1), xend = c(1, 2, 0, 2), yend = c(0, 0, 0, 0),
typ = c("zmierzona", "zmierzona", "przez U", "przez U"))
skroc <- function(k, o = 0.17) { # skrócenie strzałek, żeby nie wchodziły w węzły
dx <- k$xend - k$x; dy <- k$yend - k$y; l <- sqrt(dx^2 + dy^2)
transform(k, x = x + o * dx / l, y = y + o * dy / l, xend = xend - o * dx / l, yend = yend - o * dy / l)
}
pA <- ggplot() +
geom_segment(data = skroc(krawedzie), aes(x, y, xend = xend, yend = yend, linetype = typ),
arrow = arrow(length = unit(0.25, "cm"), type = "closed"), linewidth = 0.8, colour = "grey25") +
geom_point(data = wezly, aes(x, y, shape = nazwa == "U"), size = 13, fill = "white", colour = "grey25", stroke = 1.1) +
geom_text(data = wezly, aes(x, y, label = nazwa), size = 5, fontface = "bold") +
geom_text(data = wezly, aes(x, y + ifelse(nazwa == "U", 0.2, -0.2), label = opis), size = 3.6) +
scale_shape_manual(values = c(21, 23), guide = "none") +
scale_linetype_manual(values = c("zmierzona" = "solid", "przez U" = "22"), name = NULL,
labels = c("przez U" = "ścieżka przez niezmierzone U", "zmierzona" = "ścieżka X → M → Y")) +
coord_cartesian(xlim = c(-0.35, 2.35), ylim = c(-0.35, 1.35)) +
labs(title = "A. Graf drzwi frontowych", x = NULL, y = NULL) +
motyw + theme(axis.text = element_blank(), panel.grid = element_blank())
etyk <- c(naiwne = "naiwna różnica", kontrola_M = "kontrola M", drzwi_frontowe = "drzwi frontowe",
tylne_drzwi_z_U = "kontrola U\n(gdyby zmierzono)")
dB <- data.frame(metoda = factor(rep(etyk[colnames(sym)], each = nrow(sym)), levels = rev(etyk)), b = as.vector(sym))
pB <- ggplot(dB, aes(b, metoda, fill = metoda, shape = metoda)) +
geom_vline(xintercept = prawdziwy, linetype = "dashed") +
geom_boxplot(width = 0.45, outlier.shape = NA, alpha = 0.35) +
stat_summary(fun = mean, geom = "point", size = 3, colour = "black") +
scale_fill_manual(values = rev(kol), guide = "none") +
scale_shape_manual(values = c(24, 23, 22, 21), guide = "none") +
annotate("text", x = prawdziwy, y = 4.45, label = "prawdziwy efekt 0.28", hjust = -0.05, size = 3.6) +
labs(title = "B. Oszacowania efektu X w 500 badaniach", x = "Oszacowana różnica P(Y = 1)", y = NULL) +
motyw
p2 <- pA + pB + plot_layout(widths = c(1, 1.15))
p2Wynik w R
[1] 0.28
P_X P_M_gdy_X1 P_M_gdy_X0
0.501 0.788 0.104
naiwne kontrola_M drzwi_frontowe tylne_drzwi_z_U
0.524 0.249 0.274 0.300
metoda srednia sd q025 q975
naiwne 0.520 0.020 0.483 0.558
kontrola_M 0.239 0.030 0.181 0.296
drzwi_frontowe 0.281 0.022 0.239 0.322
tylne_drzwi_z_U 0.280 0.027 0.225 0.3312. Oś czasu: rysunek 1
Kod R rysunku 1
# Oś czasu: Judea Pearl (ur. 1936) – lata według cytowanych źródeł
library(ggplot2)
zdarzenia <- data.frame(
rok = c(1936, 1960, 1970, 1984, 1988, 1995, 1999, 2000, 2011, 2018),
opis = c("urodził się\nw Bnei Brak", "wyjazd do USA;\npraca w RCA", "UCLA", "„Heuristics”",
"książka o rozumowaniu\nprobabilistycznym", "„Causal diagrams\nfor empirical research”",
"diagramy przyczynowe\nw epidemiologii", "„Causality”", "Nagroda Turinga", "„The Book of Why”"),
rodzaj = c("życie", "życie", "praca", "publikacja", "publikacja", "publikacja", "publikacja", "publikacja",
"wyróżnienie", "publikacja"),
poziom = c(0.5, -0.5, 1.3, -1.5, 0.5, -0.5, 1.3, -1.5, 0.5, -0.5), # wysokość etykiety
wyrownanie = c(0.2, 0.5, 0.5, 0.5, 0.6, 0.5, 0.5, 0.5, 0.5, 0.7))
zdarzenia$etykieta <- paste0(zdarzenia$rok, "\n", zdarzenia$opis)
ksztalty <- c("życie" = 21, "praca" = 22, "publikacja" = 23, "wyróżnienie" = 24)
kolory <- c("życie" = "grey40", "praca" = "#0072B2", "publikacja" = "#D55E00", "wyróżnienie" = "#009E73") # Okabe–Ito
p1 <- ggplot(zdarzenia, aes(rok, 0)) +
geom_hline(yintercept = 0, colour = "grey60", linewidth = 0.8) +
geom_segment(aes(xend = rok, y = 0, yend = poziom), colour = "grey70") +
geom_point(aes(shape = rodzaj, fill = rodzaj), size = 3.8, colour = "black") +
geom_text(aes(y = poziom + 0.06 * sign(poziom), label = etykieta, vjust = ifelse(poziom > 0, 0, 1), hjust = wyrownanie),
size = 3.1, lineheight = 0.88) +
scale_shape_manual(values = ksztalty, name = NULL) +
scale_fill_manual(values = kolory, name = NULL) +
scale_x_continuous(limits = c(1930, 2025), breaks = seq(1930, 2020, by = 10)) +
scale_y_continuous(limits = c(-2.4, 2.2)) +
labs(x = NULL, y = NULL) +
theme_minimal(base_size = 13) +
theme(axis.text.y = element_blank(), panel.grid = element_blank(), axis.text.x = element_text(colour = "grey30"),
legend.position = "bottom")
p1Bibliografia oprogramowania
Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (losowanie – rbinom(), regresja – lm() z pakietu stats; rysunki – pakiety ggplot2 i patchwork). W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).
- R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
- ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
- patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork
Najczęstsze pytania
Kim jest Judea Pearl?
Informatykiem (ur. 1936 w Bnei Brak koło Tel Awiwu), z wykształcenia inżynierem elektrykiem. Od 1970 r. związany z UCLA, dziś jako profesor emeritus informatyki. Za rok 2011 otrzymał Nagrodę Turinga za rachunek rozumowania probabilistycznego i przyczynowego (Carnegie Corporation of New York, 2020; Heidelberg Laureate Forum Foundation, b.d.).
Co to jest kryterium drzwi frontowych?
Reguła z pracy Pearla (1995): efekt X na Y da się oszacować mimo niezmierzonego zakłócacza, jeśli cały wpływ X płynie przez zmierzony mediator M, na który zakłócacz nie działa. Łączy się wtedy wpływ X na M z wpływem M na Y przy kontroli X.
Co oznacza operator do() Pearla?
Zapis interwencji: P(Y | do(X = x)) to rozkład wyniku, gdyby X ustawiono na wartość x, a nie tylko zaobserwowano. Różnica między tym a zwykłym P(Y | X = x) to właśnie zakłócenie, które graf pomaga usunąć.
Jakie książki napisał Judea Pearl?
Najważniejsze to monografia „Causality” (2000, wyd. 2 2009) oraz „The Book of Why” (2018) napisana z Daną Mackenzie. Wcześniej wydał książki o heurystykach (1984) i rozumowaniu probabilistycznym (1988) (Carnegie Corporation of New York, 2020; Pearl i Mackenzie, 2018).
Powiązane hasła
Poradniki, w których użyjesz tego pojęcia
Potrzebujesz wsparcia w analizie danych?
Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.
Wyceń analizęOferta dla studentówBibliografia i dalsza literatura naukowa (APA 7)
- Carnegie Corporation of New York. (2020). Judea Pearl. Great Immigrants, Great Americans. https://www.carnegie.org/awards/honoree/judea-pearl/ ● Otwarty dostęp
- Greenland, S., Pearl, J., & Robins, J. M. (1999). Causal diagrams for epidemiologic research. Epidemiology, 10(1), 37–48. https://doi.org/10.1097/00001648-199901000-00008
- Heidelberg Laureate Forum Foundation. (b.d.). Judea Pearl. Pobrano 22 listopada 2026 z https://www.heidelberg-laureate-forum.org/laureate/judea-pearl/ ● Otwarty dostęp
- Pearl, J. (1995). Causal diagrams for empirical research. Biometrika, 82(4), 669–688. https://doi.org/10.1093/biomet/82.4.669
- Pearl, J. (2009). Causality: Models, reasoning, and inference (2nd ed.). Cambridge University Press. https://doi.org/10.1017/cbo9780511803161
- Pearl, J., & Mackenzie, D. (2018). The book of why: The new science of cause and effect. Basic Books.
Cytowania BibTeX
@misc{carnegiepearl, author={{Carnegie Corporation of New York}}, title={{Judea Pearl}}, howpublished={Great Immigrants, Great Americans}, year={2020}, url={https://www.carnegie.org/awards/honoree/judea-pearl/}}@article{greenland1999causal, author={Greenland, Sander and Pearl, Judea and Robins, James M.}, title={{Causal diagrams for epidemiologic research}}, journal={Epidemiology}, year={1999}, volume={10}, number={1}, pages={37--48}, doi={10.1097/00001648-199901000-00008}}@misc{hlfpearl, author={{Heidelberg Laureate Forum Foundation}}, title={{Judea Pearl}}, howpublished={Heidelberg Laureate Forum}, url={https://www.heidelberg-laureate-forum.org/laureate/judea-pearl/}}@article{pearl1995causal, author={Pearl, Judea}, title={{Causal diagrams for empirical research}}, journal={Biometrika}, year={1995}, volume={82}, number={4}, pages={669--688}, doi={10.1093/biomet/82.4.669}}@book{pearl2009causality, author={Pearl, Judea}, title={{Causality: Models, reasoning, and inference (2nd ed.)}}, year={2009}, publisher={Cambridge University Press}, doi={10.1017/cbo9780511803161}}@book{pearl2018book, author={Pearl, Judea and Mackenzie, Dana}, title={{The book of why: The new science of cause and effect}}, year={2018}, publisher={Basic Books}}