[论文解读] Every LWF and AMP chain graph originates from a set of causal models

Jose M. Peña|arXiv (Cornell University)|Dec 10, 2013

RNA and protein synthesis mechanisms被引用 1

一句话总结

本文证明，每个LWF和AMP链图（CG）均表示一个独立性模型，该模型相对于在条件作用下一组有向无环图（DAG）的独立性模型交集，具有包含最优性。研究进一步表明，此类CG自然地源于受选择偏差影响的因果模型系统，从而为其在多个制度下作为共识独立性结构的表示提供了合理性依据。

ABSTRACT

This paper aims at justifying LWF and AMP chain graphs by showing that they do not represent arbitrary independence models. Specifically, we show that every chain graph is inclusion optimal wrt the intersection of the independence models represented by a set of directed and acyclic graphs under conditioning. This implies that the independence model represented by the chain graph can be accounted for by a set of causal models that are subject to selection bias, which in turn can be accounted for by a system that switches between different regimes or configurations.

研究动机与目标

• 通过证明LWF和AMP链图并非任意的，而是源于因果模型，从而为其提供合理性依据。
• 解决LWF和AMP CG缺乏因果基础的问题，与MVR CG不同，后者可通过DAG的边际化得到解释。
• 证明每个LWF和AMP CG相对于在条件作用下一组DAG的独立性模型交集，均具有包含最优性。
• 为CG提供因果解释：即表示一个在不同制度间切换的系统，每个制度由受选择偏差影响的DAG建模。
• 在链图与多个因果模型之间建立正式联系，为其在图模型中的应用提供原则性基础。

提出的方法

• 定义链图Gα为在条件作用下，相对于一组DAG的独立性模型交集的包含最优模型。
• 通过按拓扑顺序处理链图的各个块，利用两个关键操作构建Gα：为每个节点确定最小邻接集合（neGα(X)）和最小父集合（paGα(X)）。
• 利用图模型公理——分解、弱联合、对称性和合并——推导并验证Gα中的独立性陈述。
• 通过反证法证明包含最优性：若存在另一个AMP CG Hα，其同样为包含最小且与Gα不同，则neGα(X)和paGα(X)的构造将被违反。
• 利用在条件作用下DAG的独立性模型交集形成共识模型的事实，证明CG能最优地表示该共识。
• 通过依赖先前计算的邻接和父集合，确保块间构造的一致性，通过递归依赖关系解析保持正确性。

实验结果

研究问题

• RQ1 LWF和AMP链图能否被证明源于因果模型，而非任意的独立性模型？
• RQ2 是否存在一种正式方法，通过链图表示在条件作用下多个DAG的共识独立性模型？
• RQ3 能否证明每个LWF和AMP CG相对于在条件作用下一组DAG的独立性模型交集，均具有包含最优性？
• RQ4 如何将一组多个因果模型（受条件作用的DAG）一致地整合为一个链图，以保留所有共享的条件独立性？
• RQ5 表示在选择偏差下多个DAG交集的链图，其因果解释是什么？

主要发现

• 每个LWF和AMP链图均表示一个独立性模型，该模型相对于在条件作用下一组DAG的独立性模型交集，具有包含最优性。
• 链图Gα的构造确保了交集中所有独立性陈述均被保留，且在相同条件下，无法由另一链图表示更小的独立性集合的真超集。
• 链图Gα相对于交集模型和给定链结构是包含最小的，其证明基于对neGα(X)和paGα(X)定义的反证法。
• 该证明表明，任何其他同样为包含最小的AMP CG Hα，其邻接集合和父集合必须与Gα完全相同，从而表明在构造规则下Gα是唯一的。
• 该结果提供了因果解释：链图建模的是一个在不同制度间切换的系统，每个制度由受选择偏差影响的DAG表示，而CG捕捉了这些制度间的共享独立性结构。
• 该方法不依赖于稳态分布或确定性节点，相较于以往依赖近似或特殊分布假设的方法，提供了更强的合理性依据。