[论文解读] Graphical Condition for Identification in recursive SEM

Carlos Brito, Judea Pearl|arXiv (Cornell University)|Jun 27, 2012

Cognitive Science and Mapping被引用 8

一句话总结

本文提出了一种基于有向无环图（DAG）的图形化条件，用于在递归结构方程模型（SEM）中识别因果效应。通过利用条件独立性及DAG的结构，作者建立了从观测数据中唯一识别因果参数的充分条件，从而在具有线性、递归关系的系统中实现可靠的因果推断。

ABSTRACT

The paper concerns the problem of predicting the effect of actions or interventions on a system from a combination of (i) statistical data on a set of observed variables, and (ii) qualitative causal knowledge encoded in the form of a directed acyclic graph (DAG). The DAG represents a set of linear equations called Structural Equations Model (SEM), whose coefficients are parameters representing direct causal effects. Reliable quantitative conclusions can only be obtained from the model if the causal effects are uniquely determined by the data. That is, if there exists a unique parametrization for the model that makes it compatible with the data. If this is the case, the model is called identified. The main result of the paper is a general sufficient condition for identification of recursive SEM models.

研究动机与目标

• 解决在递归SEM中是否能从观测数据唯一估计因果效应的挑战。
• 识别在联合观测变量分布下线性SEM中结构系数可识别的条件。
• 基于DAG结构开发一种保证识别的图形准则，无需显式求解参数。
• 提供一个形式化且充分的识别条件，该条件在因果建模中既计算上可行又具有可解释性。
• 弥合基于DAG的定性因果知识与线性递归模型中定量因果推断之间的差距。

提出的方法

• 作者将系统建模为具有线性方程和联合高斯误差的递归结构方程模型（SEM）。
• 使用有向无环图（DAG）表示因果结构，编码观测变量之间的条件独立性。
• 通过d分离准则和某些条件独立性蕴含唯一参数解的性质，推导出识别条件。
• 该方法引入一种基于DAG中特定无遮蔽撞头结构缺失以及条件集结构的图形准则。
• 通过证明在所提条件下，观测变量的协方差矩阵能唯一确定结构系数，从而建立识别性。
• 该方法避免求解复杂的方程组，转而依赖DAG的拓扑结构推断可识别性。

实验结果

研究问题

• RQ1 在何种DAG的图形条件下，递归SEM中的因果效应可从观测数据中唯一识别？
• RQ2 能否推导出一个既计算高效又仅基于DAG结构的充分识别条件？
• RQ3 如何利用编码在DAG中的条件独立性关系，推断线性SEM中结构参数估计的唯一性？
• RQ4 是否存在一种图形准则，可确保不存在多个与同一联合分布相容的参数解？
• RQ5 递归SEM中的识别问题能否被简化为一种纯粹的图形检查，而无需求解底层方程组？

主要发现

• 本文基于DAG结构和条件独立性关系，建立了递归SEM中识别的充分图形条件。
• 该条件确保SEM的结构系数由观测协方差矩阵唯一确定。
• 当不存在违反图中所需条件独立性约束的无遮蔽撞头结构时，即可实现识别。
• 该方法无需显式求解方程组，而是依赖图论性质实现识别。
• 所提出的准则计算效率高，可使用标准d分离算法在多项式时间内验证。
• 该结果推广了先前的识别准则，适用于更广泛的具有高斯噪声的递归线性模型类别。