[论文解读] Causes and Explanations: A Structural-Model Approach. Part II: Explanations

Joseph Y. Halpern, Judea Pearl|ArXiv.org|Aug 20, 2002

Bayesian Modeling and Causal Inference参考文献 16被引用 37

一句话总结

本文提出了一种基于结构方程模型的因果解释形式化定义，其中解释是指一个事实，若为真，将构成被解释现象的实际原因——无论解释者最初是否不确定。该方法利用反事实推理与实际因果关系，处理解释中的方向性与疑难案例，提供了一个稳健且具备知识敏感性的框架，相较于概率或逻辑方法，在直观案例中表现更优。

ABSTRACT

We propose new definitions of (causal) explanation, using structural equations to model counterfactuals. The definition is based on the notion of actual cause, as defined and motivated in a companion paper. Essentially, an explanation is a fact that is not known for certain but, if found to be true, would constitute an actual cause of the fact to be explained, regardless of the agent's initial uncertainty. We show that the definition handles well a number of problematic examples from the literature.

研究动机与目标

• 提供一个正式的、具备知识敏感性的因果解释定义，以反映解释者认知状态的影响。
• 利用结构因果模型解决解释中长期存在的问题，例如方向性问题（如旗杆高度与影子长度的关系）。
• 将第一部分中实际因果关系的定义扩展至解释情境，支持那些虽不确定但若为真即构成原因的解释。
• 将概率推理纳入解释框架，支持部分解释与解释力的评估。
• 以一种不依赖于概率依赖或逻辑蕴含的方式形式化解释，从而保持因果方向性。

提出的方法

• 使用由签名 (U, V, R) 和结构方程 F_X 定义的结构因果模型来表示机制。
• 应用第一部分中基于反事实与干预的正式实际因果关系定义，识别若解释为真时何者构成原因。
• 将解释定义为一个事实 ψ，若 ψ 为真，则其将成为解释对象 φ 的实际原因，即使最初存在不确定性。
• 通过允许类似 Pr([X←3](Y=1)) = .9 的表达式引入概率扩展，支持部分解释与解释力评估。
• 通过变量的划分 (Z, W) 测试因果关系的反事实稳定性与最小性，确保仅考虑必要因素。
• 将解释视为相对于解释者知识的相对概念：已知事实不构成解释的一部分，而未知的因果模型可被纳入解释。

实验结果

研究问题

• RQ1 当解释者不知道被解释事实时，什么构成有效的因果解释？
• RQ2 如何定义解释，以尊重因果关系的方向性？例如，用旗杆高度解释影子长度是合理的，但反之则不是。
• RQ3 当因果模型未被完全知晓时，如何形式化解释？这又如何影响解释的充分性？
• RQ4 在不将解释简化为统计相关性或依赖关系的前提下，如何将概率信息整合进解释中？
• RQ5 当解释者已知因果链条的某部分（如机制或证据）时，解释的定义应如何处理此类情况？

主要发现

• 该定义通过反事实依赖关系成功处理了旗杆-影子案例，正确识别出旗杆高度解释影子长度，但反之不成立。
• 该框架根据解释者的认知状态区分解释：对于已知机制但未知暴露的解释者，暴露是解释，而非机制本身。
• 该方法通过依赖第一部分中定义明确的实际因果关系框架，避免了析取性原因的问题，该框架通过最小性与干预机制处理此类情况。
• 概率整合使得部分解释成为可能，例如“有 .9 的概率，石棉暴露导致肺癌”，此类解释通过干预概率被形式化捕捉。
• 解释力的定义通过解释正确的概率形式化，与 Gärdenfors 框架保持一致，同时基于因果结构建立。
• 该方法不依赖于逻辑蕴含或统计依赖关系，从而保持因果方向性，并解决了其他方法常出现的反直觉案例。