[论文解读] Algebraic Problems in Structural Equation Modeling

Mathias Drton|arXiv (Cornell University)|Dec 18, 2016

Bayesian Modeling and Causal Inference参考文献 36被引用 6

一句话总结

本文提出了一种基于图论与代数工具的代数框架，用于分析线性结构方程模型（SEMs）。通过轨迹分离与图分解，建立了协方差结构、参数可识别性与隐式多项式约束（特别是Verma型关系）之间的联系，为高斯SEM中的代数约束提供了系统化的表征方法。

ABSTRACT

The paper gives an overview of recent advances in structural equation modeling. A structural equation model is a multivariate statistical model that is determined by a mixed graph, also known as a path diagram. Our focus is on the covariance matrices of linear structural equation models. In the linear case, each covariance is a rational function of parameters that are associated to the edges and nodes of the graph. We statistically motivate algebraic problems concerning the rational map that parametrizes the covariance matrix. We review combinatorial tools such as the trek rule, projection to ancestral sets, and a graph decomposition due to Jin Tian. Building on these tools, we discuss advances in parameter identification, i.e., the study of (generic) injectivity of the parametrization, and explain recent results on determinantal relations among the covariances. The paper is based on lectures given at the 8th Mathematical Society of Japan Seasonal Institute.

研究动机与目标

• 通过将统计挑战表述为涉及有理映射与多项式约束的代数问题，解决线性结构方程模型中的统计问题。
• 利用代数几何与图论工具，研究模型参数的可识别性，特别是在存在未观测混杂因素时的情形。
• 表征协方差之间的隐式代数关系（如Verma约束），超越行列式条件的限制。
• 通过图分解与祖先集投影，开发一种递归方法以发现代数约束。
• 利用轨迹法则、Gröbner基与条件独立性等工具，深化对高斯SEM中协方差结构的理解。

提出的方法

• 使用混合图（路径图）表示结构方程，其中有向边表示直接因果效应，双箭头边表示未观测混杂。
• 应用轨迹法则，将协方差表示为节点对之间有向路径（轨迹）的和，从而实现协方差矩阵的代数参数化。
• 通过祖先集与投影映射实现图分解，将复杂模型简化为更简单的子图，促进约束分析。
• 利用轨迹分离表征协方差矩阵子矩阵行列式的消失，为高斯模型中的条件独立性提供组合判别准则。
• 应用Gröbner基计算，推导协方差矩阵中的隐式多项式关系（如Verma约束），尤其在非轨迹分离配置中。
• 利用未观测混杂因素在协方差矩阵中诱导有理函数的性质，通分后可得多项式约束。

实验结果

研究问题

• RQ1 在何种条件下，线性SEM的参数化是通用单射的，即参数能否从协方差矩阵中识别？
• RQ2 除了由条件独立性所隐含的约束外，协方差矩阵还需满足哪些代数约束（多项式关系）？
• RQ3 如何利用图分解与祖先集投影系统地推导SEM中的新代数约束？
• RQ4 轨迹分离在表征协方差矩阵子矩阵行列式消失方面起到什么作用？
• RQ5 Verma型约束如何从混合图的结构中产生，其在协方差参数化中的代数根源是什么？

主要发现

• 线性SEM的协方差矩阵是有向边与节点参数的有理函数，其结构完全由混合图的拓扑决定。
• Verma约束（如多项式 $ f_{\text{Verma}} = \tau_{\text{sub}}(\text{covariance}) $）源于分解后子图中轨迹的缺失，其消失可通过有理参数化中通分得到解释。
• 轨迹分离为协方差矩阵子矩阵行列式消失提供了组合判别准则，是高斯模型中d-分离的推广。
• 隐式多项式约束的理想 $ \fancyscript{I}(G) $ 可通过Gröbner基计算得出，在某些情况下由d-分离关系与Verma型多项式生成。
• 即使图与另一张图不满足轨迹分离等价性，通过递归分解与祖先投影仍可揭示隐藏的代数约束，如在添加了汇点的Verma图中所示。
• 本文证明，像Verma关系这样的代数约束无法通过标准条件独立性检测，而需要更深层次的代数分析，如有理参数化与消去法。