[论文解读] Graphical Markov models, unifying results and their interpretation

Nanny Wermuth|arXiv (Cornell University)|May 10, 2015

Bayesian Modeling and Causal Inference参考文献 76被引用 3

一句话总结

本文将图形马尔可夫模型，特别是回归图模型，统一用于建模纵向研究和干预研究中的因果路径。通过将条件独立性约束与有向无环图和无向图相结合，该方法能够追踪变量遗漏、子群选择以及数据生成顺序变化所带来的结构效应，从而提供一种预测结果并整合跨研究知识的框架。

ABSTRACT

Graphical Markov models combine conditional independence constraints with graphical representations of stepwise data generating processes.The models started to be formulated about 40 years ago and vigorous development is ongoing. Longitudinal observational studies as well as intervention studies are best modeled via a subclass called regression graph models and, especially traceable regressions. Regression graphs include two types of undirected graph and directed acyclic graphs in ordered sequences of joint responses. Response components may correspond to discrete or continuous random variables and may depend exclusively on variables which have been generated earlier. These aspects are essential when causal hypothesis are the motivation for the planning of empirical studies. To turn the graphs into useful tools for tracing developmental pathways and for predicting structure in alternative models, the generated distributions have to mimic some properties of joint Gaussian distributions. Here, relevant results concerning these aspects are spelled out and illustrated by examples. With regression graph models, it becomes feasible, for the first time, to derive structural effects of (1) ignoring some of the variables, of (2) selecting subpopulations via fixed levels of some other variables or of (3) changing the order in which the variables might get generated. Thus, the most important future applications of these models will aim at the best possible integration of knowledge from related studies.

研究动机与目标

• 统一并系统化图形马尔可夫模型，特别是回归图模型，以建模纵向和干预研究中的因果过程。
• 解决在忽略某些变量、选择子群或改变变量生成顺序时，结构效应如何产生的挑战。
• 确保生成的分布反映联合高斯分布的关键属性，以支持可靠推断和预测。
• 通过建模发展路径和结构变化，提供一种整合相关实证研究知识的框架。

提出的方法

• 将条件独立性约束与回归图中的联合响应有序序列的图形表示相结合。
• 使用兼具有向无环边（表示因果依赖）和无向边（表示条件独立）的混合图，以表示数据生成过程。
• 应用联合高斯分布的性质，以确保生成的分布支持有效推断和预测。
• 通过在边际化下分析条件分布，对变量遗漏的结构效应进行建模。
• 通过在观测变量的固定水平上进行条件化，分析子群选择的影响，以评估其下游效应。
• 通过重新排序图形模型中响应变量的顺序，研究变量生成顺序变化的影响，以预测依赖关系的改变。

实验结果

研究问题

• RQ1 如何统一图形马尔可夫模型，以表示纵向和干预研究中的因果过程？
• RQ2 在回归图模型中忽略某些变量会产生何种结构效应？
• RQ3 通过固定某些变量的水平选择子群，如何改变条件独立性结构？
• RQ4 当变量生成顺序改变时，模型结构会发生什么变化？
• RQ5 如何利用回归图模型预测和比较不同的数据生成过程？

主要发现

• 回归图模型通过结合有向边和无向边，为建模纵向和干预研究中的因果路径提供了一个统一框架。
• 该模型能够推导出因变量遗漏而产生的结构效应，从而支持对缺失数据影响的分析。
• 通过固定某些变量的水平选择子群，会导致条件独立性结构的可识别变化，这些变化可通过图结构进行追踪。
• 改变变量生成顺序会改变依赖结构，且这些变化可借助图形模型系统分析。
• 该模型保留了联合高斯分布的关键属性，确保在各种数据生成假设下均能实现可靠预测和推断。
• 这些模型可通过建模发展路径和跨不同实证情境的结构变化，实现对相关研究知识的整合。