[论文解读] Identification of Conditional Interventional Distributions

Ilya Shpitser, Judea Pearl|arXiv (Cornell University)|Jun 27, 2012

Bayesian Modeling and Causal Inference参考文献 8被引用 50

一句话总结

本文提出了在因果模型中识别条件干预分布的必要且充分的图形条件，其中干预作用于一组变量，而后续结果则对另一组变量进行条件化。该文提出了一种算法，用于在可识别时计算这些分布，并证明了do-演算在此问题上的完备性，推动了图形模型中因果推断的发展。

ABSTRACT

The subject of this paper is the elucidation of effects of actions from causal assumptions represented as a directed graph, and statistical knowledge given as a probability distribution. In particular, we are interested in predicting conditional distributions resulting from performing an action on a set of variables and, subsequently, taking measurements of another set. We provide a necessary and sufficient graphical condition for the cases where such distributions can be uniquely computed from the available information, as well as an algorithm which performs this computation whenever the condition holds. Furthermore, we use our results to prove completeness of do-calculus [Pearl, 1995] for the same identification problem.

研究动机与目标

• 确定在何种条件下，基于观测数据和因果图，可以唯一识别出对一组变量进行干预后、对另一组变量进行条件化的结果分布。
• 开发一种算法，用于在识别可能时计算这些分布。
• 建立do-演算在条件干预识别问题上的完备性。
• 形式化在对一组变量进行干预并随后对另一组变量进行条件化时，可进行因果推理的条件。

提出的方法

• 本文使用有向无环图（DAGs）表示因果假设，并定义了一个用于识别条件干预分布的图形准则。
• 提出了一种基于do-演算规则的递归算法，用于在满足图形条件时计算已识别的分布。
• 该方法依赖于do-表达式的操作和条件概率的处理，利用do-演算的规则从观测数据中推导出估计量。
• 作者在干预分布的背景下定义并分析了“m-分离”和“d-分离”的概念，以推导出识别条件。
• 该算法通过递归应用do-演算规则，将目标干预分布转换为可用观测分布表示的形式。
• 完备性证明表明，若某一分布可识别，则仅通过do-演算规则即可推导出其表达式。

实验结果

研究问题

• RQ1 在何种图形条件下，可以识别出对一组变量进行干预后、对另一组变量进行条件化的结果分布？
• RQ2 当可识别时，是否存在一种算法程序用于计算此类条件干预分布？
• RQ3 是否可以证明do-演算框架在条件干预分布识别问题上的完备性？
• RQ4 编码在DAG中的结构假设如何与在条件化下干预分布的可识别性相关联？

主要发现

• 在半马尔可夫因果模型中，为条件干预分布的识别确立了必要且充分的图形条件。
• 提供了一种算法，当满足图形条件时可计算干预分布，确保了正确性与完备性。
• 证明了do-演算在条件干预分布识别问题上的完备性，即所有可识别的情形均可通过其规则解决。
• 研究结果通过在干预未完全观测的情况下，仍能预测干预后分布的能力，扩展了因果推断的适用范围。