[论文解读] An Interventionist Approach to Mediation Analysis

James M. Robins, Thomas S. Richardson+1 more|arXiv (Cornell University)|Aug 13, 2020

Psychotherapy Techniques and Applications被引用 6

一句话总结

本文提出了一种干预主义的中介分析方法，通过干预分解后的处理成分重新定义直接效应和间接效应，消除了对嵌套反事实的依赖。该方法在FFRCISTG模型下提供了一个自包含且可实证检验的框架，证明了在可识别情况下与传统方法的等价性，并提出了一个完整的算法，利用边扩展图和do-演算识别路径特定效应。

ABSTRACT

Judea Pearl's insight that, when errors are assumed independent, the Pure (aka Natural) Direct Effect (PDE) is non-parametrically identified via the Mediation Formula was `path-breaking' in more than one sense! In the same paper Pearl described a thought-experiment as a way to motivate the PDE. Analysis of this experiment led Robins \& Richardson to a novel way of conceptualizing direct effects in terms of interventions on an expanded graph in which treatment is decomposed into multiple separable components. We further develop this novel theory here, showing that it provides a self-contained framework for discussing mediation without reference to cross-world (nested) counterfactuals or interventions on the mediator. The theory preserves the dictum `no causation without manipulation' and makes questions of mediation empirically testable in future Randomized Controlled Trials. Even so, we prove the interventionist and nested counterfactual approaches remain tightly coupled under a Non-Parametric Structural Equation Model except in the presence of a `recanting witness.' In fact, our analysis also leads to a simple sound and complete algorithm for determining identification in the (non-interventionist) theory of path-specific counterfactuals.

研究动机与目标

• 开发一种具有因果可解释性的中介分析框架，避免依赖于对中介变量的嵌套反事实或干预。
• 通过在分解后的处理成分上实施干预，重新定义直接效应，以保持‘无干预则无因果’的原则。
• 通过将中介问题建立在可观测干预基础上，使其在未来随机对照试验中可实证检验。
• 提供一个完整且可靠的算法，利用边扩展图和do-演算识别路径特定效应。
• 厘清干预主义方法与嵌套反事实方法之间的关系，特别是在非可识别性以及存在‘反证证人’的情况下。

提出的方法

• 使用从边扩展因果图导出的单世界干预图（SWIGs）来表示对分解处理成分的干预。
• 应用do-演算（po-演算）通过将条件查询简化为联合分布，以识别路径特定效应。
• 采用反证区段准则，确定FFRCISTG模型中路径特定效应的可识别条件。
• 通过将节点拆分并基于路径归属π分配固定值，构建形式为$\mathcal{G}^e(a^\pi, z)$的SWIG，实现条件可识别性。
• 利用Shpitser等人（2021）提出的扩展ID算法，识别扩展模型中的联合分布。
• 使用节点拆分和取值分配规则，确保干预下潜在结果分布的一致性。

实验结果

研究问题

• RQ1 是否可以在不涉及对中介变量的反事实的前提下定义直接效应，同时保持因果可解释性？
• RQ2 在具有隐变量的非参数结构模型中，路径特定效应在何种条件下可识别？
• RQ3 干预主义中介方法与传统嵌套反事实框架之间有何关系？
• RQ4 能否通过do-演算将条件路径特定效应的识别问题简化为无条件识别问题？
• RQ5 ‘反证证人’在区分干预主义与反事实方法中起什么作用？

主要发现

• 干预主义方法通过在分解后的处理成分上实施干预来定义直接效应，避免了对中介变量的反事实需求。
• 所提出的框架在未来随机对照试验中具有可实证检验性，因为它仅依赖于可观测干预。
• 在可识别时，干预主义方法与传统基于中介变量的反事实方法产生相同的识别公式，尽管所指的因果效应对应不同的干预。
• 通过结合扩展ID算法与反证区段准则，建立了一个完整且可靠的路径特定效应识别算法。
• 条件路径特定效应可识别，当且仅当边扩展图中对应的联合分布可识别，如定理3所形式化。
• ‘反证证人’的存在是干预主义与反事实方法产生分歧的关键条件，即使在NPSEM-IE模型下也是如此。