[论文解读] A Primer on Causal Analysis

Finnian Lattimore, Cheng Soon Ong|arXiv (Cornell University)|Jun 5, 2018

Bayesian Modeling and Causal Inference被引用 6

一句话总结

本文提出了一套因果分析的概念框架，区分了基于观察数据或干预数据的因果结构发现与效应估计。它介绍了四种主要学派——结构因果模型、潜在结果、结构方程模型和格兰杰因果，强调了它们的应用、假设以及通过图形模型和do-演算实现的整合，以识别因果效应。

ABSTRACT

We provide a conceptual map to navigate causal analysis problems. Focusing on the case of discrete random variables, we consider the case of causal effect estimation from observational data. The presented approaches apply also to continuous variables, but the issue of estimation becomes more complex. We then introduce the four schools of thought for causal analysis

研究动机与目标

• 通过区分因果结构发现与因果效应估计，厘清因果推断的概念图景。
• 解决在随机实验不可行时，从观察数据中估计因果效应的挑战。
• 梳理因果分析中四种主流学派，并解释其相互关系与实际应用。
• 强调数据类型（观察性 vs. 干预性）在决定因果推断的有效性与可行性中的重要性。
• 提供统一理解：图形模型与do-演算如何在不同框架中实现因果效应的识别。

提出的方法

• 使用概念地图区分因果结构发现（学习因果图）与效应估计（估计干预效应）。
• 引入因果推理的阶梯——关联、干预与反事实——作为理解因果推理层次的框架。
• 应用d-分离与do-演算，通过图形模型识别何时可从观察数据中识别因果效应。
• 比较四种因果框架：结构因果模型（Pearl）、潜在结果（Neyman-Rubin）、结构方程模型（计量经济学）和格兰杰因果（时间序列）。
• 展示如何利用倾向得分和领域自适应等工具，在无混淆性和忽略性假设下估计因果效应。
• 通过单世界干预图（SWIGs）将图形模型扩展至包含反事实变量，以处理涉及嵌套反事实的复杂查询。

实验结果

研究问题

• RQ1 在观察数据中，我们如何区分因果结构发现与因果效应估计？
• RQ2 四种主要因果分析框架——结构模型、潜在结果、SEM和格兰杰因果——之间的关键差异与相互关系是什么？
• RQ3 在何种条件下，可利用图形模型与do-演算从观察数据中识别因果效应？
• RQ4 诸如忽略性、条件独立性与误差独立性等假设，如何影响因果估计的有效性？
• RQ5 反事实推理在何种方式下可通过图形模型与条件概率估计实现形式化与估计？

主要发现

• 因果推断不仅依赖统计依赖性，更需要对干预与反事实进行显式建模，才能超越相关性。
• do-演算与d-分离为判断因果效应是否可从观察数据中识别提供了正式方法，借助因果图实现。
• 倾向得分可在无混淆性与重叠假设下，实现高维设置中平均因果效应的无偏估计。
• 格兰杰因果提供了一种基于历史值预测能力的时间序列特定因果推断方法，但不建模结构性假设。
• 结构方程模型（SEMs）可灵活建模非线性与连续关系，并可扩展至循环系统。
• 单世界干预图（SWIGs）可表示并分析涉及嵌套干预的复杂反事实查询，这些在标准do-记号中无法表达。