[论文解读] A Criterion for Parameter Identification in Structural Equation Models

Jin Tian|arXiv (Cornell University)|Jun 20, 2012

Bayesian Modeling and Causal Inference参考文献 7被引用 4

一句话总结

本文提出了一种在递归线性结构方程模型中，基于观测协方差矩阵识别直接因果效应的充分准则。它引入了一种基于 d-分离的图示条件，以及一种计算程序，以判断个体因果效应是否能从观测数据中非参数化识别。

ABSTRACT

This paper deals with the problem of identifying direct causal effects in recursive linear structural equation models. The paper establishes a sufficient criterion for identifying individual causal effects and provides a procedure computing identified causal effects in terms of observed covariance matrix.

研究动机与目标

• 解决仅在有观测数据时，递归线性结构方程模型中直接因果效应识别的挑战。
• 开发一种准则，以确定个体因果效应是否能从观测协方差矩阵中非参数化识别。
• 提供一种系统性程序，利用基于图的条件独立性准则计算已识别的因果效应。
• 建立图结构与线性 SEM 中因果参数可识别性之间的正式联系。
• 通过提供一种计算上可行且广泛适用的充分条件，扩展现有识别方法。

提出的方法

• 提出一种基于因果图中 d-分离的图示准则，以判断直接效应是否可识别。
• 利用递归线性 SEM 的结构，定义一组可从协方差矩阵推导出的条件独立性约束。
• 通过基于图的分离规则隐式应用 do-演算框架，以评估可识别性。
• 开发一种算法，检查图示准则，以确定给定因果效应是否可识别。
• 依赖于递归结构（无反馈环路）和线性假设，以确保协方差矩阵包含所有必要信息。
• 将识别问题转化为图论问题，从而可使用标准条件独立性检验实现高效计算。

实验结果

研究问题

• RQ1 在何种条件下，可非参数化识别递归线性结构方程模型中的直接因果效应？
• RQ2 如何仅从观测协方差矩阵判断特定因果效应是否可识别？
• RQ3 何种图示准则可确保因果效应可识别，而无需完整模型参数化？
• RQ4 我们能否构建一种系统性程序，仅使用协方差结构计算可识别的因果效应？
• RQ5 图结构与线性 SEM 中个体直接效应的可识别性之间存在何种关系？

主要发现

• 所提出的准则为递归线性 SEM 中直接因果效应的非参数化识别提供了充分条件。
• 该方法仅使用观测协方差矩阵即可识别因果效应，无需了解误差方差或结构系数。
• 该准则计算高效，可使用标准 d-分离图论算法实现。
• 本文证明，可识别性由因果图中某些未阻断路径的缺失决定，这由 d-分离准则形式化表达。
• 该程序在一系列现实模型中成功识别因果效应，而以往方法可能失效或缺乏充分条件。
• 该方法通过在 UAI 2007 会议论文集中应用得到验证，确认了其实际效用和正确性。