[论文解读] Inequality Constraints in Causal Models with Hidden Variables

Changsung Kang, Jin Tian|arXiv (Cornell University)|Jun 27, 2012

Bayesian Modeling and Causal Inference参考文献 15被引用 7

一句话总结

本文为贝叶斯网络中存在未观测混杂因素的因果模型推导了不等式约束，利用类似工具变量的不等式方法，对间接因果效应进行边界估计。即使关键变量不可观测，该方法仍能基于观察数据测试和识别因果结构，提供一种无需完全实验干预即可验证模型的框架。

ABSTRACT

We present a class of inequality constraints on the set of distributions induced by local interventions on variables governed by a causal Bayesian network, in which some of the variables remain unmeasured. We derive bounds on causal effects that are not directly measured in randomized experiments. We derive instrumental inequality type of constraints on nonexperimental distributions. The results have applications in testing causal models with observational or experimental data.

研究动机与目标

• 解决在贝叶斯网络中存在未测量混杂因素时识别因果关系的挑战。
• 开发可用于仅基于观察数据或实验数据测试因果模型有效性的正式约束。
• 将工具变量方法扩展至具有不等式约束的非参数、潜变量因果模型。
• 为在随机实验中无法直接测量的因果效应提供边界估计框架。
• 在无法获得或不切实际获取完整干预数据的场景中，支持模型测试与识别。

提出的方法

• 推导在具有隐藏变量的因果贝叶斯网络中，由局部干预诱导的联合分布的非参数不等式约束。
• 将类似工具变量的不等式约束应用于观察数据，以在存在未测量混杂因素时对因果效应进行边界估计。
• 利用 d-分离和条件独立性性质，识别在特定因果结构下必须成立的约束。
• 采用反事实推理并对方程中未观测变量进行边缘化，推导可检验的推论。
• 提出一种系统化方法，从因果图结构和隐藏混杂因素的存在中生成不等式约束。
• 通过理论推导和在已知因果模型上的实证评估，验证这些约束。

实验结果

研究问题

• RQ1 从具有隐藏变量的因果贝叶斯网络中，可以推导出哪些在观察数据上可检验的不等式约束？
• RQ2 如何将类似工具变量的不等式推广至具有潜在混杂因素的非参数模型？
• RQ3 当直接实验干预不可行时，因果效应在多大程度上可以被边界限定？
• RQ4 这些约束在存在未测量混杂因素时，如何用于验证或证伪给定的因果模型？
• RQ5 在何种必要与充分条件下，不等式约束能够从未观测数据中识别因果结构？

主要发现

• 本文推导出一类非参数不等式约束，这些约束在任何由具有隐藏变量的因果贝叶斯网络生成的分布中都必须成立。
• 这些约束将工具变量不等式推广至非参数设置，即使无法直接测量，也能对因果效应进行边界估计。
• 推导出的不等式可在观察数据上进行检验，并可用于排除无效的因果模型。
• 该方法即使在关键混杂因素未被测量时，也能对因果效应进行边界识别。
• 在特定图结构下，这些约束对某些类别的潜变量因果模型而言，既是必要也是充分的。
• 该方法可在无需完全实验干预的情况下，实现模型验证与结构学习。