[论文解读] Efficient Identification in Linear Structural Causal Models with Instrumental Cutsets

Daniel Kumor, Bryant Chen+1 more|arXiv (Cornell University)|Oct 29, 2019

Bayesian Modeling and Causal Inference被引用 5

一句话总结

本文提出了工具截集（Instrumental Cutsets, IC），一种新颖的多项式时间准则，用于在线性结构因果模型（SCMs）中高效识别因果效应。通过利用最大流原理和广义工具集，IC 能够高效识别先前方法遗漏的参数，证明了 TSID 识别问题是 NP-完全的，同时确立 IC 为首个在所有测试基准中同时实现高识别能力与多项式时间效率的方法。

ABSTRACT

One of the most common mistakes made when performing data analysis is attributing causal meaning to regression coefficients. Formally, a causal effect can only be computed if it is identifiable from a combination of observational data and structural knowledge about the domain under investigation (Pearl, 2000, Ch. 5). Building on the literature of instrumental variables (IVs), a plethora of methods has been developed to identify causal effects in linear systems. Almost invariably, however, the most powerful such methods rely on exponential-time procedures. In this paper, we investigate graphical conditions to allow efficient identification in arbitrary linear structural causal models (SCMs). In particular, we develop a method to efficiently find unconditioned instrumental subsets, which are generalizations of IVs that can be used to tame the complexity of many canonical algorithms found in the literature. Further, we prove that determining whether an effect can be identified with TSID (Weihs et al., 2017), a method more powerful than unconditioned instrumental sets and other efficient identification algorithms, is NP-Complete. Finally, building on the idea of flow constraints, we introduce a new and efficient criterion called Instrumental Cutsets (IC), which is able to solve for parameters missed by all other existing polynomial-time algorithms.

研究动机与目标

• 为解决在线性结构因果模型（SCMs）中因果效应识别的计算不可行性，特别是当依赖指数时间算法时。
• 开发一种多项式时间方法，能够在先前高效方法失效的 SCMs 中识别因果效应。
• 正式确立 TSID（一种强大但此前未被分析的识别方法）的计算复杂度。
• 提出一种新的图论准则——工具截集（IC），其推广了工具集概念，并能高效识别此前无法达到的参数。

提出的方法

• 提出工具截集（IC），一种基于最大流的准则，通过分析从工具变量到目标变量的顶点不相交路径，在多项式时间内识别工具集。
• 将半轨迹准则和无条件工具集适应到基于流的框架中，以推广其适用范围。
• 利用顶点不相交路径分解和最小割分析，验证在流约束下有效工具集的存在性。
• 采用递归算法（ICID），对每个目标变量应用 IC，逐步识别结构参数。
• 利用图论性质（如匹配块和最近最小割）验证流条件，确保正确性。
• 通过将其归约为已知的 NP-完全问题，证明 TSID 识别问题是 NP-完全的，确立其计算难度。

实验结果

研究问题

• RQ1 当现有高效方法失效时，我们能否在多项式时间内识别线性 SCMs 中的因果效应？
• RQ2 最近提出的 TSID 方法的识别能力在计算上是否可行，或为 NP-完全？
• RQ3 我们能否设计一种新准则，实现高识别能力与多项式时间效率的结合？
• RQ4 何种图论条件使得在现有工具集方法之外，能够高效识别结构参数？

主要发现

• 工具截集（IC）是首个能够在多项式时间内识别线性 SCMs 中因果效应的方法，而这些效应被所有先前高效算法所遗漏。
• 本文证明了使用 TSID 确定因果效应是否可识别的问题是 NP-完全的，解决了文献中的一个开放问题。
• IC 实现了高识别能力，其表现与现有最强大的方法（如 gHTC 和 gAVS）相当或更优，同时保持多项式时间复杂度。
• 递归的 ICID 算法成功识别了测试模型中所有在一般情况下可识别的参数，展示了其实际适用性。
• 理论分析确认，在给定流约束下，IC 是可靠且完备的，确保无误报或遗漏识别。
• 该方法通过引入最大流和最小割推理，推广了无条件工具集和半轨迹准则，实现了更广泛的应用范围。