[论文解读] Generalized Instrumental Variables

Carlos Brito, Judea Pearl|arXiv (Cornell University)|Dec 12, 2012

Bayesian Modeling and Causal Inference参考文献 11被引用 92

一句话总结

本文将工具变量方法推广至具有未观测混杂因素的线性结构模型中的因果推断，利用有向无环图（DAG）编码领域知识。该方法将传统工具变量扩展至条件独立性有限的设定，即使在标准工具变量不可用的情况下，也能通过潜变量存在下的有效工具的新型代数表征，识别直接因果效应。

ABSTRACT

This paper concerns the assessment of direct causal effects from a combination of: (i) non-experimental data, and (ii) qualitative domain knowledge. Domain knowledge is encoded in the form of a directed acyclic graph (DAG), in which all interactions are assumed linear, and some variables are presumed to be unobserved. We provide a generalization of the well-known method of Instrumental Variables, which allows its application to models with few conditional independeces.

研究动机与目标

• 在某些变量未观测到的情况下，实现对线性结构模型中直接因果效应的识别。
• 将工具变量方法扩展至超越标准假设的设定，特别是在条件独立性较少的模型中。
• 形式化一种基于DAG中编码的领域知识的广义工具选择框架。
• 提供一种系统化方法，以确定在潜变量存在下，一组工具变量是否能够识别直接因果效应。
• 建立有效工具存在并能从模型结构代数推导的条件。

提出的方法

• 该方法使用包含未观测混杂因素的线性结构方程模型（SEM）来建模因果关系，通过DAG表示。
• 基于观测变量协方差矩阵中的条件独立性和秩条件，提出了一种广义的工具变量定义。
• 该方法利用从DAG结构导出的代数约束，即使在缺乏标准工具变量的情况下，也能识别有效工具。
• 通过观测变量协方差矩阵的秩条件来检验工具变量的有效性。
• 通过求解由工具变量约束导出的线性方程组来识别直接效应。
• 该方法利用DAG中编码的条件独立性结构，推导出可用于检验工具变量有效性的可检验推论。

实验结果

研究问题

• RQ1 在具有未观测混杂因素的线性模型中，直接因果效应在何种条件下可以被识别？
• RQ2 如何将工具变量方法推广至条件独立性有限的模型？
• RQ3 在潜变量存在的情况下，决定工具变量有效性的代数标准是什么？
• RQ4 能否开发一种系统化方法，从DAG和观测数据中识别有效工具？
• RQ5 在使用广义工具识别直接效应时，哪些结构假设是必要且充分的？

主要发现

• 本文建立了一个广义工具变量框架，可在具有未观测混杂因素的线性模型中识别直接因果效应。
• 基于观测变量协方差矩阵中的秩条件，提出了工具变量有效性的必要且充分条件。
• 即使不存在标准工具变量，该方法仍可通过利用DAG中的条件独立性结构来识别直接效应。
• 该方法适用于条件独立性较少的模型，扩展了传统工具变量方法的适用范围。
• 该框架可利用观测数据和DAG结构，推导出可用于检验工具变量有效性的可检验推论。
• 该方法在线性结构模型中具有严格的理论基础，提供了系统化的工具选择与效应识别程序。