Recensione di Causality

Recensione di Causality: un linguaggio per domande a cui i dati da soli non rispondono

Questa recensione di Causality muove dalla distinzione che dà al libro di Judea Pearl la sua forza duratura: osservare due variabili che si muovono insieme non equivale a sapere che cosa accadrebbe se una venisse modificata intenzionalmente. Causality: Models, Reasoning, and Inference fornisce un linguaggio formale per esprimere questa differenza. Diagrammi, equazioni strutturali, notazione degli interventi e controfattuali non sono trucchi indipendenti, ma parti di un sistema che trasforma una domanda causale in assunzioni controllabili, discutibili e, quando le condizioni lo consentono, collegabili ai dati.

L'obiettivo rende il libro più importante e al tempo stesso meno immediato di quanto suggerisca il titolo sobrio. Pearl non propone un saggio divulgativo sulle cause degli eventi né un manuale statistico articolato intorno a stimatori e software. Riformula la grammatica dell'inferenza. Il passaggio decisivo è rappresentare un processo ipotetico di generazione dei dati, anziché trattare una distribuzione di probabilità congiunta come se esaurisse la descrizione del mondo. Le frecce di un grafo causale codificano relazioni direzionali ipotizzate; un intervento altera il modello, non seleziona soltanto un sottogruppo nei dati osservati.

Il risultato è un testo fondativo dalla tesi limpida: le conclusioni causali richiedono assunzioni causali, e un buon formalismo le rende manifeste invece di nasconderle nella prosa o nelle abituali scelte di modello. Chi riflette sul legame fra spiegazione scientifica ed evidenza può collocarlo nella nostra raccolta di filosofia e psicologia, ma il suo centro di gravità resta la logica della ricerca empirica.

La distinzione decisiva tra osservazione e intervento

Il merito principale di Pearl è evitare che osservare e intervenire diventino la stessa operazione. Una probabilità condizionata domanda che cosa si osservi di solito nei casi in cui una variabile assume un determinato valore. Un intervento domanda quale esito seguirebbe se quel valore fosse imposto e i meccanismi che normalmente lo determinano venissero modificati. Le due operazioni possono coincidere in un contesto ben controllato, ma non è affatto necessario: il confondimento è una delle ragioni per cui si separano.

L'operatore do esprime in forma compatta questa differenza. Più del segno conta la disciplina che impone: prima di stimare un effetto, l'analista deve dire quale azione immagina e in che modo essa cambia il sistema. I grafi causali consentono poi di chiedersi se l'effetto sia identificabile con le informazioni disponibili. Il criterio della porta posteriore chiarisce quando l'aggiustamento può bloccare percorsi non causali fra una causa proposta e un esito; quello della porta anteriore mostra che, in presenza di strutture particolari, un mediatore può contribuire a identificare un effetto anche se il confondimento diretto non è completamente osservato.

È qui che il libro risulta liberatorio. Alla regola approssimativa di controllare ogni covariata disponibile sostituisce una questione strutturale: quali percorsi una variabile apre o chiude? Il condizionamento può togliere distorsione, non apportare nulla oppure introdurre distorsione aprendo un percorso tramite un collider. Il grafo non trasforma in vere le assunzioni sostanziali, ma permette di vedere ciò che l'analisi presuppone. Questo passaggio dalla checklist indiscriminata a un modello ragionato del problema è fra gli insegnamenti più preziosi del volume.

Chi proviene dall'ambito predittivo deve tenere presente il confine. Una previsione può essere accurata senza identificare gli effetti di un'azione. La nostra recensione di The Signal and the Noise è una lettura complementare sul giudizio probabilistico; Pearl, invece, chiede quando un modello consenta di rispondere a una domanda su un intervento ipotetico.

Dalla struttura grafica al ragionamento controfattuale

L'architettura dell'argomentazione è cumulativa. Pearl inizia da probabilità, grafi e modelli causali, quindi passa alla possibilità di inferire aspetti della struttura causale. I capitoli centrali affrontano l'identificazione degli effetti di azioni, piani e percorsi diretti o indiretti. Quelli successivi sviluppano controfattuali strutturali, esperimenti imperfetti, probabilità di causalità e la difficile idea di causa effettiva. Nella seconda edizione, un importante capitolo finale prende in esame elaborazioni e dibattiti stimolati dalla ricezione dell'opera.

Questa progressione è decisiva perché Causality non è soltanto un manuale di grafi aciclici diretti. I diagrammi fungono da interfaccia a una descrizione strutturale più profonda. Un modello mette in relazione le variabili endogene con cause dirette e fattori di sfondo; un intervento sostituisce una parte del sistema; un controfattuale interroga il modo in cui un esito cambierebbe in una situazione alternativa, ma all'interno della struttura modellata. Pearl mira a unificare associazione, intervento e confronto controfattuale, trattandoli come forme di indagine connesse senza confonderle.

Nei momenti più efficaci, l'esposizione traduce problemi filosofici in problemi operativi senza sostenere che la notazione possa dissolvere il giudizio. Le domande sugli effetti diretti, sulla mediazione, sui mutamenti di policy e sul fatto che un evento sia necessario o sufficiente per un altro ricevono formulazioni precise. Il capitolo sul paradosso di Simpson e sul confondimento mostra perché la scelta tra aggregare e stratificare i dati non dipenda dal solo andamento statistico. La discussione sulla causalità effettiva rivela inoltre la portata del progetto: non riguarda soltanto gli effetti medi di trattamento, ma anche le spiegazioni di eventi specifici.

Questa vastità rende la lettura stimolante, ma anche diseguale. Alcune sezioni offrono un orientamento concettuale; altre avanzano fra definizioni, dimostrazioni e trasformazioni simboliche a un ritmo che richiede concentrazione. È un libro da leggere con carta e penna, ridisegnando i grafi e ricostruendo perché seguano determinate conclusioni su separazione o intervento.

Punti di forza: precisione, unità, rigore intellettuale

La prima forza è la precisione. Pearl chiede che un'affermazione causale dica più di una relazione statistica e mette a disposizione una notazione capace di veicolare quel significato supplementare. Le controversie possono così passare dalle intuizioni indistinte a quesiti espliciti: quali frecce si assumono presenti? Quali variabili non sono misurate? Quale intervento è in discussione? Quali indipendenze seguono dal grafo proposto? La quantità cercata può essere espressa in funzione della distribuzione osservata?

La seconda forza è l'unificazione. Statistica, intelligenza artificiale, epidemiologia, economia, scienze sociali e filosofia affrontano la causalità con vocabolari differenti. Causality non risolve ogni dissenso, ma propone una cornice strutturale comune per confrontare i ragionamenti probabilistico, interventista e controfattuale. Da qui deriva il respiro più ampio di una monografia specialistica, pur nelle pagine molto tecniche.

La terza è l'onestà sui limiti. Un grafo causale non è un rivelatore automatico della verità e il calcolo do non crea identificazione a partire da un modello insufficiente. Il metodo può però mostrare che un effetto bersaglio non sia identificabile date le assunzioni dichiarate. Un risultato negativo di questo tipo è scientificamente utile: evita di scambiare l'abilità algebrica per evidenza e indica dove siano indispensabili ulteriori misurazioni, esperimenti o conoscenza del dominio.

Per questo l'opera ha posto in un serio percorso di lettura su scienza e natura, anche se non è divulgazione scientifica narrativa. Il suo oggetto è il ragionamento che unisce l'evidenza a spiegazioni e domande di policy. Per altre letture sull'incertezza, si può seguire anche il percorso su scienza e grandi domande.

Cautele: basi difficili e poche ricette operative

Pearl sostiene che siano sufficienti, per cominciare, la probabilità di base e la familiarità con i grafi; il capitolo iniziale riprende gli strumenti essenziali. Iniziare non equivale però a procedere con scioltezza. La notazione diventa fitta, gli argomenti si sviluppano l'uno sull'altro e la portata interdisciplinare introduce rapidamente nozioni di logica, statistica, teoria dei grafi, filosofia e modellazione a equazioni strutturali. Chi non ha dimestichezza con la matematica può comprendere la tesi, ma perdere i dettagli che la sorreggono.

Il volume si concentra assai più sull'identificazione che sulla stima. Domanda se una quantità causale possa, in principio, essere recuperata dato un modello; offre invece poche indicazioni su campioni finiti, diagnostica, intervalli di incertezza, pulizia dei dati o software attuale. È una scelta coerente, ma chi lavora sul piano applicativo dovrà affiancargli un testo o un corso per passare dall'identificazione formale a un'analisi completa. Non è il libro da cui ricavare un flusso di lavoro di programmazione pronto all'uso.

Una seconda cautela è concettuale. La nitidezza dei grafi può generare un'illusione di certezza se le frecce sono trattate come scoperte, anziché come assunzioni informate dalla conoscenza della materia, dal disegno dello studio e dall'evidenza. I dati osservazionali possono escludere alcune strutture in condizioni particolari, ma molte domande causali restano sensibili alle variabili non misurate e alle scelte di modello contestabili. Il valore dell'impianto di Pearl sta anche nell'esporre questi impegni: al lettore resta il compito di difenderli.

Infine, il libro nasce da un programma di ricerca distinto. La sua sintesi è potente, ma l'inferenza causale comprende anche la tradizione degli esiti potenziali, approcci fondati sul disegno e metodi specifici delle discipline che pongono l'accento altrove. Conviene quindi leggere Causality come un quadro fondativo, non come l'ultima parola su ogni controversia metodologica.

Chi dovrebbe leggere Causality e con quale metodo

Il lettore ideale è uno studente magistrale, un ricercatore o un professionista con interessi tecnici, già familiare con la probabilità di base e desideroso di comprendere la logica sottostante a diagrammi causali e stimandi. Gli statistici vi troveranno un'argomentazione incisiva sul perché la notazione causale non sia riducibile al condizionamento ordinario. Gli informatici vedranno l'estensione dei modelli grafici dalla rappresentazione di credenze incerte agli interventi e alle spiegazioni. Scienziati sociali ed epidemiologi otterranno un modo rigoroso di ragionare su aggiustamento, mediazione e confondimento.

Per una prima lettura è sensato seguire l'invito di Pearl: partire dall'epilogo non tecnico, quindi esplorare le introduzioni concettuali prima di affrontare la sequenza formale. A una seconda lettura, conviene seguire in ordine i fondamenti grafici iniziali e i capitoli sull'identificazione. Ridisegnare diagrammi semplici è più utile che leggere le equazioni come prosa letteraria. Si deve imparare che cosa cambia quando un percorso è bloccato, quando si condiziona su un collider o quando un intervento rimuove le cause ordinarie di una variabile.

Non è la prima scelta per chi desidera un'introduzione accessibile e contemporanea all'inferenza causale, una serie di dataset già analizzati o un flusso di lavoro di programmazione immediatamente utilizzabile. È altrettanto poco indicato per chi cerca una narrazione di divulgazione scientifica con poca notazione. Un testo introduttivo può rendere più leggibili le idee centrali, permettendo poi di tornare a Pearl per esaminarne i fondamenti.

Alternative e letture complementari

Nessun altro volume della raccolta sostituisce la struttura tecnica di Pearl, ma alcuni sviluppano competenze affini. Fooled by Randomness studia la tendenza a interpretare esiti dominati dal caso come prove di abilità o di causalità; è più accessibile e saggistico, ma molto meno formale. Thinking, Fast and Slow esamina giudizio e bias cognitivi, spiegando perché racconti causali intuitivi possano sembrare persuasivi anche in presenza di basi probatorie deboli. Nessuno dei due insegna i modelli causali strutturali.

Chi è interessato principalmente alla previsione probabilistica può preferire The Signal and the Noise prima di affrontare questo libro. Chi vuole un percorso applicato di analisi causale dovrebbe invece affiancare Pearl a un testo moderno che includa stima, analisi di sensibilità e software. Nelle scienze sociali è utile anche un'esposizione che presenti insieme modelli grafici ed esiti potenziali, rendendo espliciti punti di convergenza e differenza.

La questione non è se il libro di Pearl sia alla portata di chiunque, bensì se il lettore abbia bisogno dell'apparato concettuale che offre. Se il problema è stimare rapidamente un modello, Causality apparirà indiretto. Se invece si vuole sapere che cosa debba essere assunto prima che una configurazione osservata possa rispondere a una domanda di intervento o controfattuale, pochi libri sono altrettanto rigorosi.

Verdetto finale

Causality è un testo cardine perché rende formale il ragionamento causale senza fingere che il formalismo elimini il giudizio scientifico. Grafi e operatori distinguono ciò che si osserva da ciò che si fa, aiutano a capire quando un effetto possa essere recuperato e mostrano quando le assunzioni disponibili non bastino. Il prezzo è una lettura esigente, talvolta austera, con scarsa attenzione al software e alla stima ordinaria.

Per lettori con una solida preparazione matematica, tale prezzo è giustificato. Il libro cambia la formulazione della domanda di ricerca prima ancora di qualsiasi regressione: non «Quali variabili sono correlate?», ma «Quale intervento o scenario controfattuale è in questione? Quale struttura lo renderebbe significativo e quale evidenza potrebbe identificarlo?». È un contributo più profondo e più durevole di un insieme di tecniche. Chi cerca fondamenti dovrebbe considerarlo essenziale; chi desidera una guida leggera o subito pratica dovrebbe affrontarlo più tardi, con un testo complementare.