Традиционные статистические меры причинного эффекта, такие как средний причинный эффект, сравнивают значения исхода при разных значениях причины. Информационно-теоретические меры, например взаимная информация, сравнивают распределения исхода и потому способны улавливать нелинейные взаимодействия и эффекты на дисперсию. Однако они определены для случайной величины в целом и не различают вклад конкретных значений причины. Эта работа заполняет пробел, вводя меры, которые сохраняют гибкость информационного подхода, но привязаны к конкретному значению причины, что позволяет задавать вопросы вида «Каков эффект именно Эль-Ниньо, а не ЭНСО в целом?». В контексте соседних работ по машинному обучению и численному моделированию климата данное исследование стоит особняком: оно переносит аппарат причинного вывода на язык теории информации.
Авторы формализуют меры специфического полного, прямого и косвенного эффектов через дивергенцию Кульбака-Лейблера между распределением исхода после интервенции и «естественным» распределением, усреднённым по всем возможным значениям причины. Для идентифицируемости из наблюдательных данных используется do-исчисление Перла. В качестве приложения анализируются девять прогонов климатической модели CESM2 за 1850–2015 годы. ЭНСО квантуется на три фазы (Эль-Ниньо, Ла-Нинья, нейтральная) по индексу Niño 3.4, а температура Тихоокеанского Северо-Запада усредняется за двухнедельные интервалы и квантуется на три категории (холодная, тёплая, нейтральная аномалия). Все распределения оцениваются методом максимального правдоподобия, значимость проверяется бутстреп-тестом с перестановками.
Оценки нормированных мер показывают, что специфический полный эффект фазы Эль-Ниньо на температуру примерно втрое превышает средний эффект по всем фазам. Прямой эффект оказывается больше косвенного для всех значений причины, что согласуется с физическим механизмом: ЭНСО влияет на температуру преимущественно напрямую через атмосферную циркуляцию, а не через персистентность температуры. Наиболее выраженный эффект обнаружен для условного влияния прошлой температуры на текущую при фазе Эль-Ниньо: вмешательство, задающее холодную аномалию в год Эль-Ниньо, даёт эффект примерно в пять раз сильнее среднего. Все оценки статистически значимы, но доверительные интервалы для косвенного эффекта включают ноль для всех фаз, кроме Эль-Ниньо.
Работа показывает, что информационно-теоретические меры можно адаптировать для ответа на вопросы о конкретных значениях причины, сохраняя их способность улавливать нелинейные эффекты. Это сближает два подхода к причинному выводу и открывает путь к более детальному анализу в климатологии и нейронауке. В отличие от соседних работ, которые либо используют машинное обучение для предсказания свойств, либо применяют классические статистические методы, здесь предложен строгий теоретический аппарат, проверенный на реальных климатических данных.
Метод может быть расширен на непрерывные переменные и на случай частично наблюдаемых ковариат. Возможно обучение причинных графов из данных с последующим применением специфических мер. В климатологии перспективно изучение других регионов и переменных, например осадков или давления, а также анализ более длительных временных рядов.
Предложенные меры могут быть полезны в нейронауке для оценки влияния конкретных стимулов на активность нейронов, в эпидемиологии для анализа эффектов редких воздействий, а также в экономике для оценки влияния определённых политических решений.
Следующим шагом может стать разработка оценок для непрерывных распределений и методов выбора порогов квантования. Также важно провести формальный анализ статистических свойств предложенных оценок и тестов.
В климатологии остаётся открытым вопрос о разделении прямых атмосферных и косвенных (через океан, почву) механизмов влияния ЭНСО на региональный климат. Предложенный метод позволяет количественно оценить вклад каждого пути, что может помочь в улучшении климатических моделей.
Взаимная информация между выигрышем в лотерею и расходами почти равна нулю, потому что вероятность выигрыша ничтожна, хотя для конкретного победителя эффект огромен. Специфические меры улавливают этот контраст.