Assimilatif nedensel çıkarım

Neden nedenleri geriye doğru izlemek önemli

Bir fırtınaya, bir piyasa çöküşüne veya bir nöbetin nedenine sorduğumuzda genellikle geçmişe bakar ve noktaları birbirine bağlamaya çalışırız. Oysa “nedensel çıkarım” için kullanılan birçok matematiksel araç aslında zamanı ileriye doğru işler: bugünkü koşulların yarının sonuçlarını nasıl şekillendirdiğini, uzun kayıtlar üzerinde ortalanmış olarak sorarlar. Bu makale sezgimizi yansıtan yeni bir düşünce biçimini sunar. Assimilatif nedensel çıkarım (ANI) adını taşıyan bir çerçeveyi tanıtır; bu çerçeve, hava tahmini tarzı teknikleri kullanarak gözlenen etkilerden nedenleri anlık olarak geriye doğru izler; gürültülü, karmaşık sistemlerde —iklim veya beyin gibi— bile.

Neden ve etkinin yeni bir açısı

Geleneksel nedensel yöntemler genellikle iki yaklaşımdan birine girer. Veri odaklı teknikler uzun çok değişkenli zaman serilerindeki örüntüleri arar; bir değişken hakkında ek bilgi vermenin diğerinin tahminlerini iyileştirip iyileştirmediğini sorarlar. Fizikte ve iklim biliminde yaygın model tabanlı yaklaşımlar ise denklemler kullanır ve sonuçların nasıl değiştiğini görmek için bunları biraz farklı başlangıçlardan ileriye doğru çalıştırır. Her iki stratejinin de sakıncaları vardır: hızla değişen ilişkilere, kısa kayıtlara ve çok yüksek boyutlu sistemlere karşı zorlanırlar. ANI başka bir yol izler. Nedenselliği ters bir problem olarak ele alır: nedenleri ileri itip etkilerini görmek yerine gözlenen etkiden geriye bilgi çekerek en olası nedenleri çıkarır. Bunu yapmak için hava modellerini taze gözlemlerle harmanlamakte kullanılan aynı aileden, Bayesçi veri assimilasyonuna dayanır.

Uygulamada ANI, zamana yayılmış en az bir “etki” değişkenini gözleyebildiğimizi ve sistemin değişkenlerinin nasıl etkileştiğini tanımlayan (muhtemelen türbülanslı ve stokastik) bir matematiksel modele erişimimiz olduğunu varsayar. Bazı potansiyel nedenler asla doğrudan ölçülmemiş olsa bile, modelde temsil edilirler. ANI, veri assimilasyonunda yaygın olarak kullanılan iki durum tahmini çeşidini kullanır: filtreleme, verileri şimdiki zamana kadar kullanarak sistemi tahmin eder; düzeltme (smoothing) ise gelecekteki verileri de kullanır. Gözlenen etki hakkındaki gelecekteki bilgiyi eklemenin belirli bir anda bir aday nedenin belirsizliğini keskin şekilde daralttığını görürsek, ANI bu belirsizlik azalmasını adayın o zamanda gerçekten etkiyi etkilediğinin bir işareti olarak yorumlar.

Zaman içinde değişen rolleri izlemek

ANI’nin temel gücü, nedensel ilişkileri evrimleri boyunca takip etmesidir. Birçok gerçek sistem aralıklı davranış (intermittency) gösterir: uzun sessiz dönemler, yoğun etkinlik patlamaları ile bölünür; bu patlamalarda sürücüler ve yanıt verenler rollerini değiştirebilir. Yazarlar bunu atmosfer değişkenliğini ve ara sıra ortaya çıkan aşırı olayları taklit eden kompakt iki değişkenli bir model kullanarak örnekler. Bu örnekte yalnızca bir değişken gözlenir. ANI, gizli ortak değişkenin geçici olarak gözlenen değişkene enerji pompalayan bir “anti-sönüm” kaynağı hâline gelip büyük sapmalara yol açtığı zamanları ortaya çıkarır. Bu fazlarda ANI ölçüsü zirve yapar ve çıkarılan etki gelecek içine uzun süre uzanır. Aşırı olay doruğa ulaşıp gözlenen değişken azalmaya başlayınca gizli değişkenin nedensel gücü çöker; bu, rollerin değiştiğini, önceki etkinin artık önceki sürücüsünü güçlü biçimde sönümlendirdiğini gösterir.

“Kim kimi etkiliyor” sorusunun ötesine geçmek için ANI nedensel etki menzili (CIR) kavramını getirir. Bu nicelik, tanıdık bir sorunun zamansal bir versiyonuna yanıt verir: belirli bir neden bir etkinin geleceğini ne kadar süre anlamlı biçimde şekillendirir? Teknik olarak CIR, daha fazla gelecek gözlemi eklemenin sağladığı faydanın ne kadar hızlı doygunlaştığını izleyerek tanımlanır. Çok ileri zamandaki yeni veriler geçmiş bir nedenin tahminini neredeyse hiç iyileştirmiyorsa, onun etkisinin sönmüş olduğu kabul edilir. Yazarlar hem eşik-tabanlı (“öznel”) CIR’leri hem de tüm eşikler üzerinde ortalayan “nesnel” bir CIR önerir; bu, fizikçilerin gürültülü korelasyonları tek bir dekorelasyon zamanına dönüştürmelerine yakındır. Bu, nedensel etkilerin zamansal olarak ne kadar yayıldığı hakkında matematiksel açıdan sağlam bir ifade sunar.

Yöntemi iklim aşırılıklarında test etmek

Makale daha sonra ANI’yi El Niño–Güney Salınımı (ENSO) için daha gerçekçi, altı değişkenli bir modele uygular; ENSO tropikal Pasifik Okyanusu’nu periyodik olarak ısıtıp soğutarak küresel havayı yeniden şekillendiren bir iklim olgusudur. Bu kavramsal model, doğu veya merkezi Pasifik’te merkezlenen olaylar da dahil olmak üzere El Niño çeşitliliğinin zenginliğini ve bunların La Niña karşıtlarını yeniden üretir. Modelden elde edilen sentetik verileri kullanarak yazarlar, merkezi Pasifik deniz yüzeyi sıcaklıkları, batıdaki sıcak su tabakasının derinliği ve hızla dalgalanan rüzgârlar gibi farklı fiziksel bileşenlerin doğu Pasifik’teki sıcaklık anormalliklerini —El Niño’nun damgasını— birlikte nasıl yönlendirdiğini incelerler.

ANI, yerleşik ENSO teorisiyle tutarlı, nüanslı ve zamana duyarlı bir tablo ortaya çıkarır. Güçlü doğu Pasifik El Niño olaylarında merkezi Pasifik sıcaklıkları baskın nedensel sürücü olarak öne çıkar; ANI sinyali doğudaki ısınma zirvesinden hemen önce zirve yapar ve sıcak suların doğuya yayılmasını yansıtır. Rüzgâr anomalileri daha gürültülü ama sağlam ve neredeyse anlık bir etki gösterir; bu, rüzgârların sıcak suyu itme ve ısı değişimini değiştirme rolüyle uyumludur. Batı Pasifik termoklinindeki değişimler önemli olmakla birlikte daha dolaylı ve daha erken bir etki uygular: ANI değerleri olaydan aylar önce zirve yapar; bu, alt yüzeyde ısının birikip merkezi sıcaklıkları etkilediği ve ancak sonra doğuya ulaştığı “şarj–deşarj” görüşünü yansıtır. CIR tahminleri bu farkları nicelendirir: merkezi sıcaklıklar en uzun nedensel erişimi korur, rüzgârlar en kısasını ve alt yüzey derinliği arada bir süreyi sunar. Dikkate değer biçimde, ANI eksik bir model kullanılarak seyrek gerçek ENSO gözlemlerine uygulandığında bile nitel olarak benzer nedensel desenleri geri kazanır.

Geleceğe bakış: daha geniş kullanımlar ve açık sorular

Bu test yataklarının ötesinde yazarlar, ANI’nin yalnızca tek bir gerçekleşme ve kısa kayıtların bulunduğu ancak dinamiklerin bazı model(ler)inin mevcut olduğu birçok karmaşık sistem için uygun olduğunu savunur —örnekler arasında geniş ölçekli iklim, ekolojik ağlar, beyin ve hatta mühendislik altyapıları yer alır. ANI, verimli topluluk (ensemble) tabanlı assimilasyon tekniklerini dahil edebildiği için çok yüksek boyutlu problemlere ölçeklenecek şekilde tasarlanmıştır; bu, geleneksel bilgi-akış yöntemlerinin zorlanmasına neden olan boyutluluk lanetinden kaçınmaya yardımcı olur. Çerçeve ayrıca birçok “arkaplan” değişkenin bulunduğu durumlara uzanır; gözlemsel belirsizlikleri dikkatle çıkararak türetilen nedensel bağlantıların yalnızca ortak etkiler veya aracıların yan ürünü olmamasını sağlar.

Basitçe bunun anlamı

Gündelik dille ANI, nedenleri statik bir diyagrama indirgemek yerine gerçek zamanlı çalışırken izleme yolu sunar. Hava tahmini araçlarından ödünç aldığı soru pragmatiktir: gözlemlenebilir bir niceliğin yakın gelecekte ne olacağını bilmek, görünmeyen bir sürücünün hemen öncesinde ne yaptığını saptamamıza yardım eder mi? Cevap evet ise ANI o sürücüyü o anda nedensel olarak etiketler ve parmak izi ne kadar süreyle sürdüğünü tahmin eder. Bu geriye bakan, belirsizlik temelli bakış açısı, nedenselliği karmaşık, gürültülü sistemlerde ölçülebilir bir sinyale dönüştürür. Kusurlu modeller ve ölçüm gürültüsüyle başa çıkmak gibi zorluklar sürse de, yaklaşım iklimde ve kim kimi, ne zaman ittiğini anlamanın pratik sonuçları olabilecek diğer alanlarda aşırı olaylara dair daha kesin, zamana duyarlı açıklamalar yolunu açar.

Atıf: Andreou, M., Chen, N. & Bollt, E. Assimilative causal inference. Nat Commun 17, 1854 (2026). https://doi.org/10.1038/s41467-026-68568-0

Anahtar kelimeler: nedensel çıkarım, Bayesçi veri assimilasyonu, karmaşık dinamik sistemler, aşırı iklim olayları, El Niño Güney Salınımı