[论文解读] Identifying conditional causal effects

Jin Tian|arXiv (Cornell University)|Jul 7, 2004

Bayesian Modeling and Causal Inference参考文献 13被引用 20

一句话总结

本文提出了一种多项式时间算法，用于从未实验数据和存在未观测变量的因果图中识别条件因果效应。该方法提供了一套系统化程序，将可识别的因果效应表示为可观测联合分布的函数，从而在结构假设下实现有效的反事实推断。

ABSTRACT

This paper concerns the assessment of the effects of actions from a combination of nonexperimental data and causal assumptions encoded in the form of a directed acyclic graph in which some variables are presumed to be unobserved. We provide a procedure that systematically identifies cause effects between two sets of variables conditioned on some other variables, in time polynomial in the number of variables in the graph. The identifiable conditional causal effects are expressed in terms of the observed joint distribution.

研究动机与目标

• 解决在无法获得实验数据且部分变量未观测到的情况下估计因果效应的挑战。
• 为存在潜在混杂因子的有向无环图（DAGs）中识别条件因果效应开发系统化程序。
• 将可识别的因果效应表示为可观测联合分布的函数，确保实际可应用性。

提出的方法

• 该方法使用有向无环图（DAGs）的图形表示来编码因果假设，包括未观测变量。
• 应用一组识别标准，以确定条件因果效应是否可从可观测数据中识别。
• 该程序在变量数量上呈多项式时间复杂度，确保计算效率。
• 它利用 do-演算和条件独立关系，将因果效应表示为可观测联合分布的函数。
• 该算法系统性地检查 d-分离及其他基于图的准则，以验证可识别性。
• 输出结果为以可观测概率表示的条件干预效应的非参数表达式。

实验结果

研究问题

• RQ1 当部分变量未被观测且仅可获得非实验数据时，能否识别条件因果效应？
• RQ2 在 DAG 上满足何种条件可确保从可观测联合分布中识别出条件干预效应？
• RQ3 是否存在一种计算高效的程序，用于判断此类效应的可识别性？
• RQ4 如何将识别出的因果效应表示为可观测数据分布的函数？
• RQ5 可使用何种图形准则来验证识别程序的有效性？

主要发现

• 所提出的程序在变量数量上呈多项式时间复杂度，确保可扩展性。
• 可识别的因果效应被表示为可观测联合分布的函数，从而支持经验估计。
• 该方法对在潜在混杂情况下的可识别性提供了完整的刻画。
• 该程序在逻辑上严谨且系统化，依赖于基于图的准则（如 d-分离和 do-演算）。
• 该方法将现有识别方法扩展至可处理存在未观测混杂因子时对可观测变量的条件干预。
• 该算法确保在识别过程中无需超出 DAG 和可观测数据之外的额外假设。