[论文解读] A Definition and Graphical Representation for Causality

David Heckerman, Ross D. Shachter|arXiv (Cornell University)|Feb 20, 2013

Bayesian Modeling and Causal Inference参考文献 9被引用 16

一句话总结

本文提出了一种基于无响应性的决策理论因果定义，其中因果关系相对于一组决策而存在，实现了无需完整因果解释的局部因果推理。该研究证明，典型影响图能够准确且高效地表示因果关系，与Pearl的结构因果模型一致，并支持在决策情境中的实际因果推断。

ABSTRACT

We present a precise definition of cause and effect in terms of a fundamental notion called unresponsiveness. Our definition is based on Savage's (1954) formulation of decision theory and departs from the traditional view of causation in that our causal assertions are made relative to a set of decisions. An important consequence of this departure is that we can reason about cause locally, not requiring a causal explanation for every dependency. Such local reasoning can be beneficial because it may not be necessary to determine whether a particular dependency is causal to make a decision. Also in this paper, we examine the graphical encoding of causal relationships. We show that influence diagrams in canonical form are an accurate and efficient representation of causal relationships. In addition, we establish a correspondence between canonical form and Pearl's causal theory.

研究动机与目标

• 以相对于一组决策的方式重新定义因果关系，摆脱传统观点中将因果视为绝对的观念。
• 通过仅关注与特定决策相关的依赖关系，实现局部因果推理，避免解释所有依赖关系的需要。
• 提供一种既准确又计算高效的因果关系图形表示。
• 建立典型影响图与Pearl的结构因果模型之间的正式对应关系。
• 通过将因果性整合到决策理论框架中，支持决策系统中的实际因果推断。

提出的方法

• 使用无响应性的概念定义因果关系，其中若某一变量的取值在给定选择集合下不影响决策结果，则该变量即为原因。
• 在Savage的决策理论框架内形式化因果断言，将因果性建立在与决策相关联的依赖关系之上。
• 使用典型影响图——包含机会节点、决策节点和效用节点的有向无环图——以高效方式表示因果关系。
• 证明典型影响图的结构自然编码了干预和反事实推理，与do-演算原则一致。
• 证明这些图的图形结构在干预下保持因果关系语义的完整性。
• 通过正式对应关系，建立典型影响图的因果语义与Pearl的结构因果模型之间的等价性。

实验结果

研究问题

• RQ1 如何以形式化方式定义因果关系，使其相对于决策而具有上下文依赖性，而非绝对性？
• RQ2 局部因果推理（仅关注与决策相关的依赖关系）在何种程度上改善了实际决策过程？
• RQ3 典型影响图能否作为因果关系的准确且高效图形表示？
• RQ4 典型影响图与Pearl的结构因果模型之间存在何种正式对应关系？
• RQ5 无响应性概念如何在决策情境中实现对因果关系的有原则性定义？

主要发现

• 因果关系通过无响应性概念相对于一组决策进行定义，其中原因是指其取值不影响最优决策结果的变量。
• 由于仅需关注与决策相关的依赖关系，局部因果推理成为可能，从而减少了对完整因果解释的需求。
• 典型影响图提供了准确且高效的因果关系图形表示，支持观测性推理与干预性推理。
• 本文建立了典型影响图与Pearl的结构因果模型之间的正式对应关系，验证了其在因果推断中的适用性。
• 该方法通过将因果性嵌入决策理论框架中，无需全局因果模型，即可在决策系统中实现实际的因果推理。
• 该方法通过图形结构支持反事实推理与干预，与do-演算及干预语义保持一致。