[论文解读] Causal inference for process understanding in Earth sciences

Adam Massmann, Pierre Gentine+1 more|arXiv (Cornell University)|May 3, 2021

Bayesian Modeling and Causal Inference参考文献 46被引用 9

一句话总结

本文主张在地球科学中使用专家定义的因果图，以阐明假设、结构化分析，并在无法实现完整因果发现的情况下实现因果推断。本文识别出三种可处理的因果推断条件——状态空间效应受限、原因独立、状态空间可重构——并证明因果图能提升复杂地球系统中科学严谨性、可重复性和假设检验水平。

ABSTRACT

There is growing interest in the study of causal methods in the Earth sciences. However, most applications have focused on causal discovery, i.e. inferring the causal relationships and causal structure from data. This paper instead examines causality through the lens of causal inference and how expert-defined causal graphs, a fundamental from causal theory, can be used to clarify assumptions, identify tractable problems, and aid interpretation of results and their causality in Earth science research. We apply causal theory to generic graphs of the Earth system to identify where causal inference may be most tractable and useful to address problems in Earth Science, and avoid potentially incorrect conclusions. Specifically, causal inference may be useful when: (1) the effect of interest is only causally affected by the observed portion of the state space; or: (2) the cause of interest can be assumed to be independent of the evolution of the system's state; or: (3) the state space of the system is reconstructable from lagged observations of the system. However, we also highlight through examples how causal graphs can be used to explicitly define and communicate assumptions and hypotheses, and help to structure analyses, even if causal inference is ultimately challenging given the data availability, limitations and uncertainties.

研究动机与目标

• 将研究重点从因果发现转向使用专家定义的因果图进行地球系统研究中的因果推断。
• 识别在部分观测和系统复杂性存在的情况下，因果推断变得可行的条件。
• 通过因果图形式化假设，提升科学交流、可重复性和假设检验水平。
• 证明即使无法从数据中估计因果效应，因果图也能用于结构化分析。
• 为在地球科学中采用先进因果推断技术（如可迁移性与选择偏差校正）奠定基础。

提出的方法

• 使用图形因果模型（Pearl, 1995）将地球系统中的已知物理关系表示为有向无环图（DAGs）。
• 应用 do-演算原则，判断对原因的干预是否可从观测数据中估计。
• 识别三种使因果推断成为可能的条件：(1) 效应仅限于观测到的状态空间，(2) 原因与系统演化相互独立，(3) 状态空间可从滞后观测中重构。
• 利用因果图诊断混杂与选择偏差，并评估因果效应的可识别性。
• 使用真实和通用的地球系统案例（如云-气溶胶-太阳辐射）说明因果图如何阐明假设并指导分析设计。
• 鼓励在研究早期整合因果图，以避免不可行的研究，并减少在数据收集或建模上的资源浪费。

实验结果

研究问题

• RQ1 在系统观测不完整的情况下，地球科学中因果推断在何种条件下可被有意义地应用？
• RQ2 专家定义的因果图在多大程度上能提升地球科学研究的清晰度、结构和可重复性？
• RQ3 在无法从数据中估计因果效应的情况下，因果图如何帮助识别和传达假设？
• RQ4 因果推断方法如何适应应对地球系统研究中选择偏差和模型-数据差异等挑战？
• RQ5 当物理模型过于复杂或未知时，因果图在推导地球系统过程之间广义函数关系方面可发挥何种作用？

主要发现

• 因果图可在数据收集前识别出可处理的因果推断问题，从而减少在不可行分析上的无效努力。
• 当感兴趣效应仅受状态空间可观测部分的影响时，即使整个系统未被观测，因果推断仍是可行的。
• 当可假设原因与系统演化相互独立时，即使无需完整重构状态，因果效应也可被估计。
• 若系统状态空间可从滞后观测中重构，则在 do-演算框架下因果推断成为可能。
• 即使无法估计因果效应，因果图在传达假设、结构化假设以及提升科学透明度方面仍具重要价值。
• 因果图通过形式化基于干预的推理，为推导地球系统变量间广义函数关系提供了路径——尤其在物理模型难以处理或未知时。