[论文解读] Towards Clarifying the Theory of the Deconfounder

Zhaoran Wang, David M. Blei|arXiv (Cornell University)|Mar 10, 2020

Advanced Causal Inference Techniques参考文献 14被引用 11

一句话总结

本文通过形式化由多个原因的确定性函数导出的替代性混杂因子在何种条件下可满足弱无偏性，澄清了多原因因果推断中去混杂算法的理论基础。在排除未观测到的单原因混杂因子且多原因分离器唯一的精炼假设下，即使混杂因子未被观测，去混杂算法仍能实现有效的因果推断，从而解决了先前违反必要假设的反例。

ABSTRACT

Wang and Blei (2019) studies multiple causal inference and proposes the deconfounder algorithm. The paper discusses theoretical requirements and presents empirical studies. Several refinements have been suggested around the theory of the deconfounder. Among these, Imai and Jiang clarified the assumption of "no unobserved single-cause confounders." Using their assumption, this paper clarifies the theory. Furthermore, Ogburn et al. (2020) proposes counterexamples to the theory. But the proposed counterexamples do not satisfy the required assumptions.

研究动机与目标

• 解决多原因因果推断中去混杂算法的理论模糊性。
• 形式化由多个原因导出的替代性混杂因子满足弱无偏性的条件。
• 阐明多原因分离器及其唯一性在确保有效因果调整中的作用。
• 通过证明先前反例违反了必要的理论假设，从而驳回其对理论的否定。
• 通过引入Imai和Jiang的精炼假设，加强去混杂算法的理论基础。

提出的方法

• 引入多原因分离器的概念：即令所有原因条件独立的最小σ代数，且排除单原因分量。
• 提出假设1：存在一个多原因分离器U，与观测协变量X一起满足弱无偏性。
• 引入假设2：所有多原因分离器Z均由原因A1,…,Am的确定性函数f唯一决定。
• 证明定理1：在假设1和假设2下，替代性混杂因子Z满足弱无偏性，从而支持因果调整。
• 利用Z在完整概率空间（包括潜在结果）中的唯一性，建立Z的可识别性及其作为调整变量的充分性。
• 证明Ogburn等人先前提出的反例未能满足必要假设，因此不构成对理论的否定。

实验结果

研究问题

• RQ1 在何种条件下，由多个原因导出的替代性混杂因子可满足因果推断中的弱无偏性？
• RQ2 排除未观测到的单原因混杂因子的假设如何精炼去混杂算法的理论基础？
• RQ3 为何多原因分离器的唯一性对去混杂算法的有效性至关重要？
• RQ4 Ogburn等人（2020年）提出的反例是否真正否定了去混杂理论？
• RQ5 去混杂算法如何通过原因的多重性提取未观测混杂因子的信息？

主要发现

• 在假设1和假设2成立时，作为确定性函数f(A1,…,Am)构造的替代性混杂因子Z满足弱无偏性。
• 多原因分离器U被唯一确定为使原因条件独立的最小σ代数，且排除单原因分量。
• 在完整概率空间（包括潜在结果）中，Z的唯一性由假设2得出，确保其可识别性。
• 在精炼假设下，Wang和Blei（2019a）的理论结果得以保留并得到澄清。
• Ogburn等人提出的反例未满足必要假设，因此不构成对去混杂理论的否定。
• 去混杂算法通过提取多个原因联合分布中嵌入的混杂因子信息，即使在混杂因子未被观测的情况下，也能实现有效的因果推断。