Pearl’s ladder separates association, intervention, and counterfactuals: higher-rung questions require causal information that lower-rung observational patterns do not contain by themselves.
1The problem it solves
The ladder is a compact diagnostic for overclaiming. Rung one asks what is associated with what; rung two asks what happens if we do X; rung three asks what would have happened to this unit had X been different. Moving upward changes the question, not merely the statistical sophistication of the answer.
2The idea
Three rungs: association (seeing), intervention (doing), and counterfactuals (imagining what would have been). Questions on a higher rung cannot be answered with data from a lower one.
3Origin & context
Judea Pearl popularized the “ladder of causation” in his structural-causal framework and later expositions. It maps seeing, doing, and imagining to increasingly demanding causal queries, highlighting the role of interventions and counterfactual models.
4Canonical example
Correlation tells you what accompanies what. Only intervention tells you what happens if you change it.
5Objections & replies
Objection. Experiments directly answer rung-two questions, so the ladder overstates the conceptual gap.
Reply. Experiments supply intervention data, which is exactly why they reach rung two. They still need assumptions for noncompliance, interference, generalization, and many rung-three individual counterfactuals.
Objection. Machine learning can predict interventions from enough data without explicit causal models.
Reply. Prediction from observational distributions cannot generally identify how those distributions change under intervention when causal structures differ but observational fit is identical. Extra structure or experimental variation is needed.
6Don't confuse it with
Association vs. causation
Association describes statistical dependence; intervention asks how the outcome distribution changes when X is actively set.
Intervention vs. counterfactual
Intervention concerns populations or distributions under do(X); counterfactuals often ask unit-specific “what would have happened instead?” questions conditioning on what actually occurred.
7Common mistakes
- Answering a rung-two policy question with a rung-one predictive model and causal language.
- Assuming a more flexible algorithm moves you up the ladder without new identifying information.
8In your work
Diagnoses most bad policy inference in a single move: the claim sits on rung two or three, and the data sits on rung one.
9Check yourself
“People who receive the program do better” is rung one. What change turns the question into rung two?
Show answer
Ask what outcomes would occur if eligible people were assigned or caused to receive the program—the intervention question, not merely the observed association among recipients.
نردبانِ پرل همبستگی، مداخله و خلافواقع را جدا میکند: پرسشِ پلهٔ بالاتر اطلاعاتِ علّیای میخواهد که الگوی مشاهدهایِ پلهٔ پایینتر بهتنهایی ندارد.
1مسئلهای که حل میکند
نردبان ابزارِ فشردهای برای تشخیصِ بیشادعایی است. پلهٔ یک میپرسد چه چیز با چه چیز همراه است؛ پلهٔ دو میپرسد اگر X را انجام دهیم چه میشود؛ پلهٔ سه میپرسد برای همین واحد اگر X متفاوت بود چه میشد. بالا رفتن فقط روشِ آماری را پیچیده نمیکند، نوعِ سؤال را عوض میکند.
2ایدهٔ اصلی
سه پله: همبستگی (دیدن)، مداخله (انجامدادن) و خلافِ واقع (تصورِ آنچه میبود). پرسشهای پلهٔ بالاتر با دادهٔ پلهٔ پایینتر پاسخ نمیگیرند.
3خاستگاه و زمینه
جودیا پرل «نردبانِ علیت» را در چارچوبِ علّیِ ساختاری و نوشتههای بعدی مشهور کرد. دیدن، انجامدادن و تصورکردن را به پرسشهای هرچه demandingتر وصل میکند و نقشِ مداخله و مدلِ خلافواقع را نشان میدهد.
4مثالِ کلاسیک
همبستگی میگوید چه چیزی با چه چیزی همراه است. تنها مداخله میگوید اگر تغییرش دهید چه رخ میدهد.
5اعتراضها و پاسخها
اعتراض. آزمایش مستقیم پلهٔ دوم را جواب میدهد، پس شکافِ مفهومی اغراق است.
پاسخ. آزمایش دادهٔ مداخلهای میدهد و دقیقاً به همین دلیل به پلهٔ دو میرسد. همچنان برای عدمِ تبعیت، تداخل، تعمیم و بسیاری از خلافواقعهای فردی فرض لازم است.
اعتراض. یادگیریِ ماشین با دادهٔ کافی میتواند اثرِ مداخله را بدون مدلِ علّی پیشبینی کند.
پاسخ. از توزیعِ مشاهدهای بهطور کلی نمیتوان دانست توزیع زیرِ مداخله چگونه تغییر میکند، چون ساختارهای علّیِ متفاوت میتوانند برازشِ مشاهدهایِ یکسان داشته باشند. اطلاعاتِ اضافه لازم است.
6با اینها اشتباه نگیرید
همبستگی و علیت
همبستگی وابستگیِ آماری را توصیف میکند؛ مداخله میپرسد اگر X را فعالانه تنظیم کنیم توزیعِ پیامد چگونه عوض میشود.
مداخله و خلافواقع
مداخله معمولاً دربارهٔ جمعیت زیرِ do(X) است؛ خلافواقع اغلب میپرسد برای همین واحد با دانستنِ آنچه واقعاً رخ داد، اگر X متفاوت بود چه میشد.
7خطاهای رایج
- پاسخ به پرسشِ سیاستیِ پلهٔ دو با مدلِ پیشبینیِ پلهٔ یک و زبانِ علّی.
- فرضِ اینکه الگوریتمِ انعطافپذیرتر بدون اطلاعاتِ شناساییِ تازه شما را به پلهٔ بالاتر میبرد.
8در کارِ شما
بیشترِ استنتاجهای نادرستِ سیاستی را در یک حرکت تشخیص میدهد: ادعا روی پلهٔ دوم یا سوم است و داده روی پلهٔ اول.
9خودآزمایی
«افرادی که برنامه را دریافت کردند بهتر شدند» پلهٔ یک است. چه تغییری آن را پلهٔ دو میکند؟
نمایش پاسخ
بپرسید اگر افرادِ واجد شرایط را وادار یا تخصیص دهیم که برنامه را دریافت کنند چه پیامدی رخ میدهد—پرسشِ مداخله، نه صرفاً همراهیِ مشاهدهشده.