[论文解读] Identifying Causal Effects with Computer Algebra

Luis David García Puente, Sarah Spielvogel+1 more|arXiv (Cornell University)|Jul 22, 2010

Bayesian Modeling and Causal Inference参考文献 6被引用 20

一句话总结

本文提出一种基于Gröbner基的计算机代数框架，系统性地确定线性结构方程模型（SEMs）中因果效应的泛化可识别性。该方法应用于四变量的所有4,096个有向与无向图，发现其中1,246个为泛化可识别，6个需超越标准准则的代数识别，2,844个为非泛化可识别，首次完成了此类四节点模型的完整分类。

ABSTRACT

The long-standing identification problem for causal effects in graphical models has many partial results but lacks a systematic study. We show how computer algebra can be used to either prove that a causal effect can be identified, generically identified, or show that the effect is not generically identifiable. We report on the results of our computations for linear structural equation models, where we determine precisely which causal effects are generically identifiable for all graphs on three and four vertices.

研究动机与目标

• 开发一种系统性的计算框架，用于确定线性SEMs中因果效应的泛化可识别性。
• 对三变量和四变量线性SEMs中所有可能的因果效应进行泛化可识别性分类。
• 识别标准图形准则（如后门准则、单门准则）失效而需依赖代数方法的案例。
• 分析不可识别模型的计算复杂度与结构特性。
• 为小型图模型提供可搜索的在线可识别性结果资源。

提出的方法

• 通过参数到矩（如协方差矩阵）的多项式映射来建模SEMs。
• 将可识别性问题形式化为判断参数是否属于矩映射的像集，采用代数几何技术。
• 利用Gröbner基计算像集的消失理想，该理想编码了所有对矩参数的约束。
• 通过检查参数函数是否能通过理想代数地表示为矩的函数，来确定泛化可识别性。
• 利用计算代数系统在三元组和四元组顶点的所有图上自动化识别过程。
• 检测何时可识别性需要求解多项式方程（如二次方程），超出标准图形准则的范围。

实验结果

研究问题

• RQ1 在四变量线性SEMs中，哪些因果效应是泛化可识别的？
• RQ2 是否存在标准图形准则（如后门准则、单门准则）失效，必须依赖代数计算才能识别因果效应的模型？
• RQ3 在SEMs中证明不可识别性的计算复杂度如何？哪些结构特征会导致长时间运行？
• RQ4 在4,096个四变量SEMs中，有多少个的消失理想是非行列式的，表明存在非标准约束？
• RQ5 能否使用计算机代数方法，对小型图模型实现可识别性的完整分类？

主要发现

• 在四变量的4,096个图中，恰好有1,246个为泛化可识别，6个为代数2-识别，2,844个为非泛化可识别。
• 在1,246个泛化可识别模型中，1,093个可通过标准准则（如单门准则、工具变量）识别，153个需依赖代数方法。
• 四变量中恰好有729个无弓模型，全部可通过单门准则实现泛化可识别。
• 每个三变量SEMs的消失理想均为行列式，但4,096个四变量SEMs中有33个的消失理想为非行列式。
• 某些模型（如具有有向边1→2、1→4、2→3、3→4和无向边1↔2、1↔3、1↔4的模型）在证明ω₄₄的不可识别性时耗时超过75天。
• 六个代数2-识别的模型均涉及从协方差矩阵导出的二次方程的解，即使标准准则失效，仍可识别。