Recent discussions of model selection and multimodel inference highlight a general challenge for researchers, which is how to clearly convey the explanatory content of a hypothesized model or set of competing models. The advice from statisticians for scientists employing multimodel inference is to develop a well-thought-out set of candidate models for comparison, though precise instructions for how to do that are typically not given. A coherent body of knowledge, which falls under the general term causal analysis, now exists for examining the explanatory scientific content of candidate models. Much of the literature on causal analysis has been recently developed and we suspect may not be familiar to many ecologists. This body of knowledge comprises a set of graphical tools and axiomatic principles to support scientists in their endeavors to create "well-formed hypotheses", as statisticians are asking them to do. Causal analysis is complementary to methods such as structural equation modeling, which provides the means for evaluation of proposed hypotheses against data. In this paper, we summarize and illustrate a set of principles that can guide scientists in their quest to develop explanatory hypotheses for evaluation. The principles presented in this paper have the capacity to close the communication gap between statisticians, who urge scientists to develop well-thought-out coherent models, and scientists, who would like some practical advice for exactly how to do that.

中文翻译：

---

使用因果分析原理开发解释性统计模型的科学家指南

最近关于模型选择和多模型推理的讨论突出了研究人员面临的一个普遍挑战，即如何清楚地传达假设模型或竞争模型集的解释性内容。统计学家对采用多模型推理的科学家的建议是开发一组经过深思熟虑的候选模型以进行比较，尽管通常不会给出如何做到这一点的精确说明。一个连贯的知识体系，属于通用术语因果分析，现在存在用于检查候选模型的解释性科学内容。许多关于因果分析的文献都是最近开发的，我们怀疑许多生态学家可能并不熟悉。这一知识体系包括一组图形工具和公理原理，以支持科学家们努力创建“结构良好的假设”，正如统计学家要求他们做的那样。因果分析是对结构方程建模等方法的补充，结构方程建模提供了根据数据评估提出的假设的方法。在本文中，我们总结并说明了一组原则，可以指导科学家寻求开发用于评估的解释性假设。本文中提出的原则有能力缩小统计学家之间的沟通差距，统计学家敦促科学家开发深思熟虑的连贯模型，而科学家则希望获得一些实用建议，以了解如何做到这一点。因果分析是对结构方程建模等方法的补充，结构方程建模提供了根据数据评估提出的假设的方法。在本文中，我们总结并说明了一组原则，可以指导科学家寻求开发用于评估的解释性假设。本文中提出的原则有能力缩小统计学家之间的沟通差距，统计学家敦促科学家开发深思熟虑的连贯模型，而科学家则希望获得一些实用建议，以了解如何做到这一点。因果分析是对结构方程建模等方法的补充，结构方程建模提供了根据数据评估提出的假设的方法。在本文中，我们总结并说明了一组原则，可以指导科学家寻求开发用于评估的解释性假设。本文中提出的原则有能力缩小统计学家之间的沟通差距，统计学家敦促科学家开发深思熟虑的连贯模型，而科学家则希望获得一些实用建议，以了解如何做到这一点。我们总结并说明了一套原则，可以指导科学家们为评估制定解释性假设。本文中提出的原则有能力缩小统计学家之间的沟通差距，统计学家敦促科学家开发深思熟虑的连贯模型，而科学家则希望获得一些实用建议，以了解如何做到这一点。我们总结并说明了一套原则，可以指导科学家们为评估制定解释性假设。本文中提出的原则有能力缩小统计学家之间的沟通差距，统计学家敦促科学家开发深思熟虑的连贯模型，而科学家则希望获得一些实用建议，以了解如何做到这一点。