[论文解读] Decision-theoretic foundations for statistical causality

A. P. Dawid|arXiv (Cornell University)|Apr 26, 2020

Bayesian Modeling and Causal Inference参考文献 50被引用 10

一句话总结

本文通过将因果推断建模为在可交换性和忽略性假设下的观测数据辅助决策，为统计因果推断建立了决策理论基础。通过扩展的条件独立性和制度指标，形式化了因果推理，统一了潜在结果、DAG 和单世界干预图（SWIG）框架，构建了一个连贯且可解释的体系，澄清了诸如忽略性与一致性等关键假设，而无需显式的功能一致性条件。

ABSTRACT

We develop a mathematical and interpretative foundation for the enterprise of decision-theoretic statistical causality (DT), which is a straightforward way of representing and addressing causal questions. DT reframes causal inference as "assisted decision-making", and aims to understand when, and how, I can make use of external data, typically observational, to help me solve a decision problem by taking advantage of assumed relationships between the data and my problem. The relationships embodied in any representation of a causal problem require deeper justification, which is necessarily context-dependent. Here we clarify the considerations needed to support applications of the DT methodology. Exchangeability considerations are used to structure the required relationships, and a distinction drawn between intention to treat and intervention to treat forms the basis for the enabling condition of "ignorability". We also show how the DT perspective unifies and sheds light on other popular formalisations of statistical causality, including potential responses and directed acyclic graphs.

研究动机与目标

• 为统计因果推断的决策理论（DT）方法提供严谨的基础性论证，将因果推断重新定义为使用观测数据的辅助决策。
• 阐明为使用观测数据进行干预决策提供依据所必需的假设，尤其是可交换性与忽略性。
• 统一并澄清 DT 与其他因果框架（包括潜在结果、Pearlian DAG 与单世界干预图 SWIG）之间的联系。
• 形式化区分‘意向治疗’与‘干预治疗’，揭示其如何构成忽略性条件的基础。
• 证明 DT 模型能够比其他框架更直接、更透明地推导出标准结果（如 g-计算）。

提出的方法

• 使用扩展的条件独立性来建模观测与干预制度之间的关系，实现从数据到决策的概率转移。
• 引入非随机制度指标，以区分观测与干预制度，形式化反事实的‘如果’性质。
• 采用可交换性（包括干预前与干预后）作为基础假设，以证明使用数据的合理性，其中干预后可交换性可实现直接推断。
• 通过区分‘意向治疗’与‘干预治疗’变量来形式化忽略性条件，避免依赖功能一致性。
• 使用包含干预指标与意向治疗变量的增强型 DAG 进行图形化表示，实现条件独立性的可视化与代数分析。
• 推导出 DT 框架中的一系列核心概念（如一致性、忽略性与稳定单位处理值假设）的类比形式，证明其与潜在结果（PO）与 SWIG 框架中对应概念的等价性。

实验结果

研究问题

• RQ1 如何将因果推断在决策理论中形式化为使用观测数据的‘辅助决策’？
• RQ2 为将概率信息从观测情境转移到干预情境，需要哪些假设？
• RQ3 忽略性与可交换性概念如何与因果建模中‘意向治疗’与‘干预治疗’的区分相关联？
• RQ4 决策理论框架在多大程度上统一或澄清了现有因果形式化方法（如潜在结果、DAG 与 SWIG）之间的关系？
• RQ5 DT 方法是否可以在不显式引入功能一致性条件的情况下推导出标准结果（如 g-计算）？

主要发现

• DT 方法通过将因果问题建模为不确定性下的决策问题，为统计因果推断提供了统一且可解释的基础。
• 干预后可交换性使观测数据可直接用于决策，而干预前可交换性则需要额外假设（如忽略性）的支持。
• ‘意向治疗’与‘干预治疗’变量之间的区分对于合理化忽略性条件至关重要，该条件在 DT 框架中通过条件独立性形式化。
• DT 模型编码的条件独立性与 Pearlian DAG 和 SWIG 相同，但其表达方式使假设更透明且更可直接论证。
• 功能一致性条件在 DT 图形模型中隐含编码，因此无需显式陈述，相比潜在结果框架可简化分析。
• DT 方法可更自然地扩展至动态制度与序列依赖干预，相较于潜在结果框架在复杂因果问题中展现出更大的灵活性。