Written circa 2018–2021 and first posted on Facebook, kept here for the archive. Spelling corrected and the formatting redone; not a word rewritten. My views may or may not have changed since.
ထေရဝါဒ ဗုဒ္ဓဘာသာ ပြည်ထောင်စု သမ္မတမြန်မာနိုင်ငံသားတို့ အားလုံး အားလုံး ကျန်းမာချမ်းသာကြပါစေခင်ဗျား ။ လုပ်စရာ အလုပ်ရှိနေရင် တခြားဟာတွေပဲ လုပ်လို့ကောင်းတယ်ဆိုတဲ့ ထုံးစံအတိုင်း ၊ Proposal ရေးမယ့် အချိန်ကို ပေါက်တက်ကရတွေ ရေးလိုက်ပါဦးမယ် ။
စာရင်းအင်းပညာရဲ့ သံဗုဒ္ဓေ “Correlation is not Causation” ဆိုတဲ့ စကားလေးနဲ့ မိတ်ဆက်ပေးချင်ပါတယ် ။ သက်ဆိုင်မှုသည် အကြောင်းရင်း မဟုတ်ဆိုတဲ့ စကား ။ ကျနော်ကတော့ တကယ့် စာရင်းအင်းပညာရှင်မဟုတ်တဲ့ ဟိုမရောက် ဒီမရောက်မလို့ မှားတယ်ဆိုရင် ထောက်ပြကြပါနော ။
ဥပမာ
တရက်မှာ လူတယောက်က ခေါင်းကိုက်လိုက်တာဆိုပြီး ပါရာစီတမော တစ်လုံးကို သောက်လိုက်ပါတယ် ။ တစ်နာရီလောက် အကြာမှာ ခေါင်းကိုက် သက်သာသွားပါတယ် ။
ကဲ မေးခွန်း ၊ တစ်နာရီအတွင်း ခေါင်းကိုက်ပျောက်သွားတာဟာ ပါရာစီတမောကြောင့်လို့ ပြောနိုင်ပါသလား ။
တစ်နာရီလောက် အလုပ်မလုပ်ပဲ နားလိုက်တာကြောင့်ပဲလား ။ စားချင်တဲ့မုန့်ကို FoodPanda က Free Delivery နဲ့ 50% discount ဆိုတာကြောင့်ပဲလား ။ သူ့ အိမ်ထောင်ဖက်က နယ်ပြန်လိုက်ဦးမယ်ဆိုတာကြောင့်ပဲလား ။
ဒါကို Treatment Effect လို့ ခေါ်ပါတယ် ။
ဒီလူတစ်ယောက်ကိုပဲ
Y = Y(1)-Y(0)
Y = ပါရာစီတမောရဲ့ Treatment effect
Y(1) = ပါရာစီတမော သောက်ပြီးနောက် ဖြစ်ရပ်
Y(0) = ပါရာစီတမော မသောက်ပဲ ဖြစ်ရပ်
ပြဿနာက လူတစ်ယောက်ထဲမှာ ဖြစ်ရပ်နှစ်ခုလုံး မဖြစ်နိုင်တာပါ ။ ဆေးသောက်သလား 1 ၊ မသောက်ဘူးလား 0 ။ ဒါဆို ပါရာစီတမောကို ဘာလို့ သောက်ရမလဲ ၊ သောက်ရတဲ့ အကျိုးဟာဘာလဲ ။
Correlation
စပ်ဆိုင်ခြင်းလို့ ဘာသာပြန်ရမယ် ထင်ပါတယ် ။
Conditional Probability ဖြစ်ပြီး ရေးတဲ့အခါမှာ P(Y|X) လို့ ရေးတယ် ။ X ဖြစ်ရပ် ဖြစ်ပြီးနောက် Y ဖြစ်ရပ်ဖြစ်နိုင်ခြေ ဆိုပါတော့ ။
Conditional Probability အရ
P(Y|X) = P(YnX)/P(X)
P(Y|X) = X ဖြစ်ရပ် ဖြစ်ပြီးနောက် Y ဖြစ်ရပ်ဖြစ်နိုင်ခြေ
P(YnX) = X ဖြစ်ရပ်ရော Yဖြစ်ရပ်ရော ဖြစ်နိုင်ခြေ
P(X) = Y ဖြစ်သည် ဖြစ်စေ ၊ မဖြစ်သည် ဖြစ်စေ ၊ X ဖြစ်နိုင်ခြေ
Bayesian Probability အရ
P(Y|X) = P(X|Y)P(Y)/P(X)
ကိုယ့်ဟာကိုသာ အစားထိုးကြည့်ကြပေတော့ ၊ မြန်မာလိုရေးရတာ ခက်ပါ့ ။
ပြောချင်တာက ၊ ကျနော်တို့ သုံးနေကြ စာရင်းအင်းပညာနည်းလမ်းတွေဟာ အကြောင်းအရင်းကို မရှာနိုင်ဘူးဆိုတာပဲ ။ နှစ်ခုလုံး ဖြစ်တယ် ၊ တစ်ခုထဲဖြစ်တယ် ၊ တစ်ဖြစ်ပြီးနောက် နှစ်ဖြစ်နိုင်ခြေ ၊ ဒါတွေပေါ်မူတည်ပြီး စပ်ဆိုင်ပါတယ် မစပ်ဆိုင်ပါဘူးကို အဖြေထုတ်ကြတာ ။ အဖြေထုတ်တဲ့ အခါမှာ " ပါရာစီတမော သောက်သုံးခြင်း နဲ့ ခေါင်းကိုက်ပျောက်ခြင်းဟာ စပ်ဆိုင်နေပါတယ်" လို့ ရေးရတယ် ။
မှတ်ချက်\
ဒါနဲ့ အဖြေက ပြောနိုင်ပါတယ် ။ ဆေးဝါးတွေကို စမ်းသပ်တဲ့အခါမှာ Randomized Controlled Trials လို့ ခေါ်တဲ့ စမ်းသပ်နည်းတွေကိုသုံးပါတယ် ။ လူနှစ်စုကို တတ်နိုင်သမျှ တူအောင်စုပြီး ဆေးရဲ့ စွမ်းရည်ကို စစ်ဆေးတာဖြစ်ပါတယ် ။ တစ်ယောက်ထဲ အပေါ်ကို စစ်ဆေးတာ မဟုတ်သော်ငြား ၊ ဒါစွမ်းရည်ကုန်ပဲဆိုတဲ့ အရည်အချင်းကြောင့် Research တွေ အားလုံးရဲ့ ထိပ်ခေါင်မှာ RCT ကနေပါတယ် ။
အေဒင်က နှင်ထုတ်ခြင်း
ဘုရားသခင်က အာဒံကို မေးတယ် ။
တားမြစ်ထားတဲ့ သစ်သီးကို သင်စားလိုက်သလား ။ (Genesis 3:11)
အာဒံ အဖြေ ။
ဘုရား ပေးတဲ့ အဖော် မိန်းမက ကျွေးလို့ ကျနော် စားလိုက်တယ် ။ (Genesis 3:12)
ဘုရားသခင်က ဧဝကို မေးတယ် ။
ဘာကြောင့် ဒီလို လုပ်ရသလဲ ။
ဧဝ အဖြေ ။
မြွေက ကျမကို လှည့်စားလိုက်လို့ ဒါ လုပ်မိတာ ။ (Genesis 3:13)
Counterfactuals
တကယ်လို့သာဆိုတဲ့ မေးခွန်းတွေပါ ။
တကယ်လို့ လွန်ခဲ့သော တစ်နာရီက ငါ ပါရာစီတမော မသောက်ခဲ့ရင် အခု ခေါင်းဆက်ကိုက်နေဦးမှာလား ၊ ဆိုတဲ့ မေးခွန်း ကို ဖြေဖို့က စောစောက ပြောတဲ့ Treatment Effect ကို သိဖို့လိုတာပေါ့ ။
တကယ်လို့
Y(1)=Y(0)
သောက်တာနဲ့ မသောက်တာ တူတူပဲဆိုရင်
Treatment Effect က သုည ။
မေးခွန်းရဲ့ အဖြေက ဟင့်အင်း ၊ သောက်သောက် မသောက်သောက် ၊ ခုချိန် သက်သာနေမှာပဲ ။ အဲ့ဒါဆို နောက်အခေါက်တွေ မသောက်တော့ဘူး ၊ ဆိုတဲ့ အဖြေကို ထုတ်နိုင်မှာပေါ့ ။
Correlation and Causation
ကြက်ဖ နဲ့ နေ
ကြက်ဖ တွန်တယ် ။ နေထွက်တယ် ။
ကြက်ဖ တွန်ခြင်းနဲ့ နေထွက်ခြင်း စပ်ဆိုင်မှုရှိ ။ (Correlation)
အိမ်မှာ ကြက် မရှိခြင်း ၊ ကြက်ဖ မတွန်ခြင်းကြောင့် နေထွက်ခြင်းကို အတားအဆီး မရှိ ။ (Correlation is not Causation)
နေထွက်ခါနီးရင် ကြက်ဖ တွန်တယ် ။ (Causation)
လေဖိအားတိုင်း ကိရိယာ
လေမုန်တိုင်း ဖြစ်ဖို့ အားယူတဲ့ အခါ လေဖိအားတိုင်း ကိရိယာက အတိုင်းအတာ လျော့နည်းလာတယ် ။
လေမုန်တိုင်း နဲ့ လေဖိအားတိုင်း ကိရိယာ အတိုင်းအတာ စပ်ဆိုင်မှုရှိ ။ (Correlation)
လေဖိအားတိုင်း ကိရိယာက နံပါတ်တွေကို ရွှေ့ပြီး လေမုန်တိုင်းတွေကို ထိန်းချုပ်နိုင်စွမ်း မရှိ ။
ဥပမာ - မုန်တိုင်းလာပြီဟေဆိုပြီး ၊ လေဖိအားတိုင်းကိရိယာ နံပါတ်တွေကို တင်လိုက်တာနဲ့ မုန်တိုင်း ရပ်မသွား ။ ( Correlation is not Causation )
လေမုန်တိုင်း ဖြစ်ခါနီးရင် လေဖိအားကျ ။ (Causation)
လေဖိအားကျရင် လေဖိအားတိုင်း ကိရိယာက အတိုင်းအတာတွေကျ ။ (Causation)
ဒါကြောင့် Causation အကြောင်းရင်းကို ဦးစားပေးလာကြပါတယ် ။
ကာကွယ်ဆေး ထိုးကြရအောင်
အရင်ခေတ်ထဲက ရှိတာပေမယ့် အခုနောက်ပိုင်း ပိုတောင်ကြားလာကြမှာပါ ။ အမေရိကန်လို နိုင်ငံမျိုးမှာတောင် ၊ ကာကွယ်ဆေးမထိုးရေး ဆိုတဲ့ လူမျိုးတွေ ရှိနေပါတယ် ဆိုတာ ။ သူတို့ ပြောတာ မှန်ရဲ့လား ဆိုတာ တွက်ကြည့်ရအောင် ။
နံပါတ်တွေက အကြမ်းဖျင်းပါ ။
ကျောက်ရောဂါ
တကယ်လို့
ကလေး အယောက် တစ်သန်းမှာ ၉သိန်း၉သောင်းက ကာကွယ်ဆေးထိုးထားတယ် ဆိုပါတော့ ။
ကာကွယ်ဆေးထိုးထားတဲ့ ကလေးတွေထဲမှာ ၉ထောင် ၉ရာ က Allergic တုံ့ပြန်မှုရပါတယ် ။
၉၉ ယောက်က သေပါတယ် ။
တစ်ဖက်က ကာကွယ်ဆေး မထိုးတဲ့ သူများ
တစ်သောင်းမှာ ၂၀၀က ကျောက်ရောဂါဖြစ်ပြီး
၄၀ ပဲ သေပါတယ် ။
ဟင် ၊ တကယ်လို့ ငါ့ကလေးကို ကာကွယ်ဆေးမထိုးရင် ၊ သေနိုင်ခြေနည်းတာလား ။
ဒီနေရာမှာ Treatment Effect ကို သိဖို့လိုလာပါတယ် ။
ကာကွယ်ဆေးထိုးခြင်းဟာ ကလေး တစ်ရာမှာ တစ်ယောက် Allergic တုံ့ပြန်မှုရှိပါတယ် ။
တုံ့ပြန်မှု ရှိတဲ့ ကလေး တစ်ရာမှာ တစ်ယောက် သေပါတယ် ။
ဒါပေမယ့် ကာကွယ်ဆေးထိုးတဲ့ ကလေးတွေမှာ ကျောက်ရောဂါ မဖြစ်ပါဘူး ။
တကယ်လို့ ကာကွယ်ဆေး မထိုးခဲ့ရင် ကလေး ငါးဆယ်မှာ တစ်ယောက် ကျောက်ရောဂါ ဖြစ်ပါတယ် ။
ကျောက်ရောဂါကြောင့် ကလေး ငါးယောက်မှာ တစ်ယောက်သေပါတယ် ။
ဆိုလိုချင်တာ တကယ်လို့သာ တစ်ကမ္ဘာ ဘယ်သူမှ ကာကွယ်ဆေးမထိုးကြရင် ကလေး တစ်သန်းမှာ ၂သောင်း ကျောက်ရောဂါဖြစ်ပါတယ် ။ ၄ထောင် သေပါတယ် ။ ဒါကြောင့် ကျောက်ရောဂါဆိုတာ ကမ္ဘာပေါ်က လုံးဝ မပျောက်ကွယ်မချင်း ကာကွယ်ဆေးထိုးသင့်ပါတယ် ။
ဆိုတော့ကာ အကြောင်းရင်းက ဘယ်လိုဆိုင်
ဒီနေရာမှာ လူလိုကြည့်ရင်တန်းမြင်နိုင်တာပေါ့ ။ ဘာကြောင့်ဘာဖြစ် ဘာကြောင့်ဘာဖြစ် ။ ဒါကို ဂုဏ်လည်း ယူစေချင်တယ် ။ ဒီပြဿနာဟာ လောလောဆယ် သင်္ချာသမားတွေရော ၊ ကွန်ပြူတာ သမားတွေရော ဖြေရှင်းရခက်နေတုန်းပဲ ။
တွက်ချက်မှုတွေအရ ၊ ဘယ်ထဲက ကလေးဘယ်နှစ်ယောက်ဟာ ဘာဖြစ်တယ် ၊ ဒါဟာ စာရင်းအင်းအရလည်း အရေးပါတယ်ဆို တွက်တာ စက္ကန့်ပိုင်းပဲ ကြာပါတယ် ။ ဒါပေမယ့် လူလိုတွေးတဲ့ Causal Inference အကြောင်းအရင်း ရှာနိုင်ခြင်း မရှိတဲ့ အတွက် ဘာကြောင့်ဘာဖြစ်တယ်ကို မပြောနိုင်ရှာဘူး ။
Counterfactual - တကယ်လို့သာ တယောက်မှ ကာကွယ်ဆေး မထိုးခဲ့ရင် ဘယ်နှစ်ယောက်သေမယ်ဆိုတာကို ပြောနိုင်တဲ့အတွက်ကြောင့် အားလုံးရဲ့ အသိမှာကို ကာကွယ်ဆေးထိုးကို ထိုးရမယ်လို့ ပြောနိုင်ခဲ့တာပေါ့ ။
Treatment Effect + Causal Inference ကို အသုံးချပြီး ဆုံးဖြတ်ချက်ချနိုင်တာတွေ အများကြီး ရှိတာပေါ့ ။
ဒီလူနာကို ခွဲစိတ်တာနဲ့ မခွဲစိတ်တာ ဘယ်ဟာပိုကောင်းမလဲ ။
တကယ်လို့ ဒီလူနာကို မခွဲစိတ်ခဲ့ရင် အသက်ရှင်နေဦးမလား ။
ဒီ Marketing ကို လုပ်တာနဲ့ မလုပ်တာ ဘယ်ဟာ ပိုကောင်းမလဲ ။
What if ဆိုတဲ့ မေးခွန်းတွေပေါ့ ။
Counterfactual Regret
တကယ်လို့ ဧဝ မခူးခဲ့ရင် အာဒံဟာ ဒီပန်းသီးကို မစားပဲ နေခဲ့မလား ။
တကယ်လို့ မြွေက မပြောခဲ့ရင် ဧဝဟာ ဒီပန်းသီးကို မခူးပဲ နေခဲ့မလား ။
စောစောက ပြောခဲ့သလိုပဲ ။
လူက လူလိုတွေးနိုင်သော်လည်း စက်လိုတော့ မတွက်နိုင် ၊ ဒါကြောင့် အကြောင်းကို မြင်ပေမယ့် Treatment Effect ကို မသိ ။
မသိတော့ Counterfactual ကို မမြင်နိုင် ၊ ဒီကနေ နောင်တ ( Counterfactual Regret ) ဆိုတဲ့အရာက လာပါတယ် ။
ငါသာ တစ်ပတ်လောက် စာ စောစော စ ကျက်လိုက်ရင် စာမေးပွဲ အောင်ခဲ့မှာ ။ (Counterfactual Regret)
စာ စောကျက်ပေမယ့် ဦးနှောက်က အသုံးမကျရင်လည်း ကျနိုင် ။
စာ စောကျက်ပေမယ့် ကျက်တဲ့စာ မတိုးရင်လည်း ကျနိုင် ။
စာ စောကျက်ပေမယ့် ကျက်သမျှ မရေးနိုင်ရင်လည်း ကျနိုင် ။
လူ(မ)ဆန်ခြင်း
ဒါကြောင့် အခုလည်း မြင်နေရပြီမလား ။
နိုင်ငံခြားသားတွေ ပေးမဝင်ခဲ့ရင် ဒီရောဂါ ဖြစ်မယ် မဟုတ် ။ (Counterfactual Regret)
အင်္ဂလိပ်စာ သင်တန်း ၊ ဘိုကြီးတွေ သင်မှ တတ်ထှာဆိုခဲ့ သူများ ။
သူ့ဟာသူ ရုံးပိတ်ကျောင်းပိတ် လာတိုင်း သင့်ခရုဖော် ဘစ်ဆစ်တင်းမိုင်ကင်းထရီး ကြသူများ ။
နိုင်ငံခြားပြန်တွေ ပေးမဝင်ခဲ့ရင် ဒီရောဂါ ဖြစ်မယ် မဟုတ် ။ (Counterfactual Regret)
MIT က အစ အမေရိကန် စစ်တပ်ထဲက မြန်မာဗိုလ်မကြီး အဆုံး ရှဲကြသူများ ။
ဒီနိုင်ငံမှာ အားမပေးလို့ ကရင်ကောင်လေး ပရီးမီယားလိခ်မှာ ကန်နေရတာဆိုပြီး ရင်ထုမနာကြသူများ ။
ဒီဆရာက နိုင်ငံခြားဘွဲ့ရတာ ၊ သူကုတာပိုကောင်းတယ် ဆိုကြသူများ ။
ဟုတ်ကဲ့ ပြောချင်တာက
လောလောဆယ် ခင်ဗျားတို့ လုပ်နိုင်တာကတော့
လူစုလူဝေးများရင် ရောဂါရှိသူ ရှိနိုင် ။ (Causation)
လူစု လူဝေးကို ရှောင် ။
ရောဂါ ရှိသူ ထံက ခင်ဗျားဆီ ကူး ။ (Treatment Effect)
ရောဂါ ရှိသူ အနီးတဝိုက်ကို ရှောင် ။
ရောဂါက Droplet infection ဖြစ် ။ (Treatment Effect)
Mask သေချာတပ် ။
တကိုယ်ရည် သန့်ရှင်းရေးသေချာလုပ် ။
ပြီးရင် အားနေတဲ့ အတူတူ Judea Pearl ရဲ့ The book of Why ကို ဖတ် ။
ကျုပ်ကို ပြန်ရှင်းပြ ၊ ပျင်းတာနဲ့ Chapter 2 ကနေ မတက်နိုင်သေးဘူး ။ အခုပြောသွားတာ အကုန် Chapter 1 ထဲကချည်းပဲ ။