[论文解读] A Characterization of Markov Equivalence Classes for Directed Acyclic Graphs with Latent Variables

Jiji Zhang|arXiv (Cornell University)|Jun 20, 2012

Bayesian Modeling and Causal Inference参考文献 12被引用 6

一句话总结

本文为包含潜变量的最大似然祖先图（MAGs）提供了完整的定向规则集，以表征马尔可夫等价类，扩展了Meek对DAGs的研究。它识别出所有等价MAGs中共享的箭头头和箭尾，从而在存在未观测混杂因素的情况下揭示共享结构，实现稳健的因果推断。

ABSTRACT

Different directed acyclic graphs (DAGs) may be Markov equivalent in the sense that they entail the same conditional independence relations among the observed variables. Meek (1995) characterizes Markov equivalence classes for DAGs (with no latent variables) by presenting a set of orientation rules that can correctly identify all arrow orientations shared by all DAGs in a Markov equivalence class, given a member of that class. For DAG models with latent variables, maximal ancestral graphs (MAGs) provide a neat representation that facilitates model search. Earlier work (Ali et al. 2005) has identified a set of orientation rules sufficient to construct all arrowheads common to a Markov equivalence class of MAGs. In this paper, we provide extra rules sufficient to construct all common tails as well. We end up with a set of orientation rules sound and complete for identifying commonalities across a Markov equivalence class of MAGs, which is particularly useful for causal inference.

研究动机与目标

• 将Meek对DAGs的定向规则扩展至处理潜变量，通过最大似然祖先图（MAGs）实现。
• 识别在存在潜变量时，马尔可夫等价类中所有DAGs共享的箭头头。
• 开发额外规则，以捕捉MAGs马尔可夫等价类中的共同箭尾。
• 提供一套完整且可靠的方法，用于确定在等价MAGs中保持不变的结构特征。
• 支持在存在未观测混杂因素时，实现更可靠的因果结构学习。

提出的方法

• 将Meek（1995）的定向规则扩展至MAGs，MAGs是专为在存在潜变量时表示条件独立关系而设计的图形模型。
• 引入新规则，专门用于识别所有马尔可夫等价类中MAGs共享的共同箭尾——即v-结构或非碰撞器等模式。
• 结合现有箭头头规则与新提出的箭尾规则，确保在识别不变特征方面具备完整性。
• 利用MAGs的结构表示条件独立关系，而无需显式建模潜变量。
• 将规则应用于给定MAG，推导出同一等价类中所有等价MAGs共享的所有特征（箭头头与箭尾）。
• 通过证明该规则集可捕获所有共享的结构特征，确保其正确性与完备性。

实验结果

研究问题

• RQ1 当存在潜变量时，哪些结构特征在马尔可夫等价类的所有MAGs中保持不变？
• RQ2 能否开发一套完整且正确的定向规则集，以识别此类等价类中所有共享的箭头头与箭尾？
• RQ3 将Meek规则扩展至MAGs，如何改善在存在未观测混杂因素时的因果结构学习？
• RQ4 除了箭头头识别外，为在潜变量存在时完全表征等价类，还需哪些额外规则？
• RQ5 所提出的规则在多大程度上能够实现从存在隐藏混杂因素的观测数据中恢复因果结构？

主要发现

• 本文提出了一套完整且正确的定向规则集，可识别所有马尔可夫等价MAGs中共享的箭头头与箭尾。
• 新规则成功将Meek原始框架扩展至通过最大似然祖先图处理潜变量。
• 该表征方法可识别等价类中所有MAGs共享的所有结构特征，从而支持稳健的因果推断。
• 该方法确保不会遗漏任何不变特征，因此在等价类表征中既必要又充分。
• 研究结果对必须从存在未观测混杂因素的观测数据中推断因果结构的因果发现算法特别有用。
• 当怀疑潜变量影响观测变量时，该框架可支持更准确、更可靠的因果图学习。