[论文解读] Causal Inference by Surrogate Experiments: z-Identifiability

Elias Bareinboim, Judea Pearl|arXiv (Cornell University)|Oct 16, 2012

Advanced Causal Inference Techniques参考文献 9被引用 44

一句话总结

本文提出了 z-可识别性（z-identifiability）框架，用于在无法直接操控处理变量 X 的情况下，通过利用更易获取的变量 Z 的实验来估计因果效应。作者基于 do-演算和图形准则，提供了一个完整算法，以判断从 Z 实验中是否可识别 X 对 Y 的因果效应，并证明了 do-演算相对于 z-可识别性的完备性。

ABSTRACT

We address the problem of estimating the effect of intervening on a set of variables X from experiments on a different set, Z, that is more accessible to manipulation. This problem, which we call z-identifiability, reduces to ordinary identifiability when Z = empty and, like the latter, can be given syntactic characterization using the do-calculus [Pearl, 1995; 2000]. We provide a graphical necessary and sufficient condition for z-identifiability for arbitrary sets X,Z, and Y (the outcomes). We further develop a complete algorithm for computing the causal effect of X on Y using information provided by experiments on Z. Finally, we use our results to prove completeness of do-calculus relative to z-identifiability, a result that does not follow from completeness relative to ordinary identifiability.

研究动机与目标

• 为解决当直接操控 X 不切实际时的因果推断问题，通过使用更易获取的变量 Z 的实验。
• 将 z-可识别性形式化为标准可识别性的推广，其中 Z 可能不同于 X。
• 为任意集合 X、Z 和 Y 提供 z-可识别性的图形必要且充分条件。
• 提供一个完整算法，用于使用 Z 实验数据计算 X 对 Y 的因果效应。
• 建立 do-演算相对于 z-可识别性的完备性，该结果无法由先前的完备性结果推导得出。

提出的方法

• 本文基于 d-分离和干预规则，提出一种基于图形的准则，用于判断在半马尔可夫因果模型中 z-可识别性。
• 将 do-演算扩展至当 X 无法直接操控时对 Z 的干预，从而能够从 Z 实验中推导出估计量。
• 使用一种典范变换，将 Z 实验映射为涉及 X 和 Y 的 do-期望表达式。
• 该算法系统性地应用 do-演算规则以推导出估计量（若可能），并结合条件独立性和 d-分离检查。
• 该方法依赖于图形结构（DAG）来编码对混杂和条件独立性的假设。
• 完备性证明表明：若一个因果效应是 z-可识别的，则仅通过 do-演算规则即可推导出。

实验结果

研究问题

• RQ1 当直接对 X 进行实验不可行，但可获得对代理变量 Z 的实验时，我们能否估计 X 对 Y 的因果效应？
• RQ2 何种图形条件可确保 X 对 Y 的因果效应可从 Z 实验中识别？
• RQ3 do-演算是否足以推导出所有 z-可识别的估计量，且能否形式化证明？
• RQ4 当无法直接操控 X 时，如何系统性地从 Z 实验数据中计算因果效应？
• RQ5 z-可识别性是否将 do-演算完备性的适用范围扩展至标准可识别性之外？

主要发现

• 基于因果图中的 d-分离和干预规则，建立了 z-可识别性的必要且充分图形条件。
• 本文提供了完整算法，若满足 z-可识别性，则可从 Z 实验数据中计算 X 对 Y 的因果效应。
• 证明了 do-演算相对于 z-可识别性的完备性，该结果无法由标准可识别性下的完备性结果推导得出。
• 该框架推广了标准可识别性，后者对应于 Z 为空集的特殊情况。
• 该方法使在直接实验不可行的情境下实现因果推断成为可能，例如在观察性研究或存在伦理限制的情境中。
• 通过形式化证明和在涉及代理变量的真实因果推断问题中的应用，验证了结果的有效性。