[论文解读] Deep determinism and the assessment of mechanistic interaction between categorical and continuous variables

Carlo Berzuini, A. P. Dawid|arXiv (Cornell University)|Dec 10, 2010

Bayesian Modeling and Causal Inference参考文献 8被引用 6

一句话总结

本文提出了一种形式化框架，用于检测分类变量与连续因果因子在二元结果上的机制性相互作用，基于‘深度决定论’假设——结果是因果因子与未观测到的上下文变量的确定性函数。通过增强型有向无环图（ADAGs），该方法在观测数据和干预数据两种情形下均提供有效的检验，能够检测非对称干扰——即一个因子破坏另一个因子的影响——为复杂研究（如冠状动脉疾病）中识别共享生物学机制提供了稳健方法。

ABSTRACT

Our aim is to detect mechanistic interaction between the effects of two causal factors on a binary response, as an aid to identifying situations where the effects are mediated by a common mechanism. We propose a formalization of mechanistic interaction which acknowledges asymmetries of the kind "factor A interferes with factor B, but not viceversa". A class of tests for mechanistic interaction is proposed, which works on discrete or continuous causal variables, in any combination. Conditions under which these tests can be applied under a generic regime of data collection, be it interventional or observational, are discussed in terms of conditional independence assumptions within the framework of Augmented Directed Graphs. The scientific relevance of the method and the practicality of the graphical framework are illustrated with the aid of two studies in coronary artery disease. Our analysis relies on the "deep determinism" assumption that there exists some relevant set V - possibly unobserved - of "context variables", such that the response Y is a deterministic function of the values of V and of the causal factors of interest. Caveats regarding this assumption in real studies are discussed.

研究动机与目标

• 形式化因果因子之间的机制性相互作用，特别是当一个因子干扰另一个因子的影响但反之不成立时的非对称干扰。
• 开发在观测数据和干预数据两种数据收集方式下均有效的机制性相互作用统计检验方法。
• 提供一个基于深度决定论的框架——结果是因果变量和上下文变量的确定性函数——以识别共享生物学机制。
• 将现有针对离散因子的方法扩展至包含连续变量及分类-连续混合变量的情形。
• 通过在冠状动脉疾病研究中应用ADAGs建模制度不变性假设，展示该框架的实际应用价值。

提出的方法

• 提出干扰的正式定义：若对B进行干预可消除对A进行干预对Y=1的影响，则称B干扰A。
• 引入‘深度决定论’假设：Y = f(A, B, V)，其中V为一组未观测到的上下文变量，使Y完全由A、B和V决定。
• 使用增强型有向无环图（ADAGs）表示因果结构及制度特定假设，包括干预指示变量σA和σB。
• 定义四个核心条件：深度决定论、给定(A,B,C,U)时Y与制度独立、给定C时U与(A,B,σ)独立，以及给定(C,σ)时A与B独立。
• 推导出在这些条件下，即使在观测数据下，联合作用检验依然有效，其依据为Y ⊥⊥ σ | (A,B,C)。
• 将该框架应用于真实冠状动脉疾病研究，表明在核心条件下，观测协变量C可作为联合因果效应的充分控制变量。

实验结果

研究问题

• RQ1 当一个因果因子干扰另一个因子但反之不成立时，能否正式定义两个因果因子之间的机制性相互作用？
• RQ2 当一个或两个因果因子为连续或分类变量时，如何检验此类相互作用？
• RQ3 在观测而非干预数据收集制度下，机制性相互作用检验在何种条件下有效？
• RQ4 当Y是A、B和V的确定性函数时，如何在因果推断中处理未观测到的上下文变量V？
• RQ5 为确保机制性相互作用检验在不同数据收集制度下均有效，需要哪些图形模型和条件独立性假设？

主要发现

• 当满足核心条件（尤其是深度决定论以及U和σ给定C的条件独立性）时，所提出的机制性相互作用检验在观测数据和干预数据中均有效。
• 该框架支持非对称干扰：B可干扰A而A不干扰B，从而实现对单向机制依赖关系的检测。
• 核心条件4（A ⊥⊥ B | (C,σ)）确保A与B在观测制度下条件独立，这是有效推断的必要条件。
• 该方法即使在未观测到上下文变量V的情况下，也能检测到共享机制，前提是观测协变量C满足核心条件并可作为V的代理变量。
• 在冠状动脉疾病研究中，该方法成功识别出与共享生物学机制一致的上下文相关因果模式，验证了其科学相关性。
• 理论结果表明，在核心条件下，联合因果效应满足后门准则，从而可基于观测数据进行估计。