[论文解读] Covariate-adjusted statistical dependence representation through partial copulas: bounds and new insights

Vinícius Litvinoff Justus, Felipe Fontana Vieira|arXiv (Cornell University)|Mar 11, 2026

Bayesian Modeling and Causal Inference被引用 0

一句话总结

论文将部分 Copula 重新定义为部分相关的非线性类比，展示条件 Copula 的性质如何约束部分 Copula 的形式，并通过仿真实验说明带协变量的依赖性。

ABSTRACT

In this paper, we revisit the notion of partial copula, originally introduced to test conditional independence, highlighting its capability to represent the dependence between two random variables after removing their dependence with a covariate. Building upon results previously presented in the literature, we show that partial copulas can be seen as a nonlinear analogue of partial correlation. Then, we prove several results showing how dependence properties of the conditional copulas constrain the form of the partial copula. Finally, a simulation study is conducted to illustrate the results and to show the potential of partial copula as a way to describe covariate-adjusted statistical dependence. This highlights the potential of the method to be used in causal inference problems and recover the true sign of a causal effect.

研究动机与目标

• 选择性带来协变量调整的依赖分析，超越线性度量。
• 将部分 Copula 重新视为部分相关的非线性类比。
• 证明条件 Copula 的性质如何约束部分 Copula 的形式。
• 通过仿真实验说明部分 Copula 在描述带协变量的依赖性以及潜在因果信号方面的有用性。

提出的方法

• 将部分 Copula C_{X,Y;Z} 定义为 U_X=F_{X|Z}(X|Z) 与 U_Y=F_{Y|Z}(Y|Z) 的联合分布的 CDF。
• 证明 C_{X,Y;Z} 等于条件 Copula 的积分混合：C_{X,Y;Z}(x,y)=∫ C_{X,Y|Z=z}(x,y) f_Z(z) dz。
• 在简化假设下，C_{X,Y;Z}=C_{X,Y|Z}。
• 将部分 Copula 与非线性类比的部分相关以及 Rosenblatt 变换联系起来。
• 推导将条件 Copula 的性质（QPD、KDD、Spearman 的 ρ、Kendall 的 τ）与部分 Copula 联系的界限与关系。
• 利用 C-vine Copula 构造进行仿真实验，比较在混杂情形下的边际相关与部分相关。

Figure 1: Scenario 11c: Gaussian copula with $\theta(z)=1-2z$ . Left: conditional scatter for $Z<0.5$ (positive dependence). Center: conditional scatter for $Z>0.5$ (negative dependence). Right: partial copula averaging over all $Z$ . Color gradient represents $Z$ ; $\rho$ denotes Spearman’s correla

实验结果

研究问题

• RQ1 部分 Copula 如何表示带协变量的 X 与 Y 之间的依赖性？
• RQ2 条件 Copula C_{X,Y|Z=z} 的性质如何约束部分 Copula C_{X,Y;Z}？
• RQ3 在何种条件下部分 Copula 与条件 Copula 或独立 Copula 相符？
• RQ4 仿真对混杂与 Simpson 悖论在带协变量的依赖性中的体现给出哪些发现？
• RQ5 部分 Copula 在局部（z 特定）与平均依赖性方面的局限性是什么？

主要发现

• 部分 Copula 可以被视为 X 与 Y 在它们对 Z 的边际独立但保持其条件 Copula 的联合分布。
• C_{X,Y;Z} 等于对 Z 的 C_{X,Y|Z=z} 的积分平均：C_{X,Y;Z}(x,y)=∫ C_{X,Y|Z=z}(x,y) f_Z(z) dz。
• 若条件 Copula 对 z 的变化常数，则 C_{X,Y;Z}=C_{X,Y|Z}。
• 若所有条件 Copula 在象限依赖上为正（或为负），则部分 Copula 继承相同的象限依赖。
• Kolmogorov 距离依赖 D 满足 D(U_X,U_Y) ≤ sup_z D(X,Y|Z=z)。
• 在部分 Copula 中的 Spearman ρ 与 Kendall τ 可以在条件 Copula 与独立之差为 k 的范围内给出界限。
• 部分 Copula 中的 Spearman ρ 等于条件 Spearman 相关的期望：ρ(X,Y;Z)=E_z[ρ(X,Y|Z=z)]。
• 仿真结果表明，在条件独立情形下，部分相关能够去除混杂；而在存在混杂时，揭示条件关联；在某些情形下，出现 Simpson 悖论，即边际相关与部分相关符号相反。
• 案例 11 表明部分 Copula 会对 Z 的变化进行平均化，可能掩盖强烈、符号改变的局部依赖性。

Figure 2: Scenario 1 (see Table 1). Each row corresponds to a copula family and parameter triplet $(\theta_{XZ},\theta_{YZ},\theta_{XY|Z})$ . Each panel displays $\rho$ (Spearman) and $\tau$ (Kendall). Color gradient represents $Z$ .