[论文解读] Introduction to Judea Pearl's Do-Calculus

Robert R. Tucci|arXiv (Cornell University)|Apr 26, 2013

Bayesian Modeling and Causal Inference参考文献 2被引用 10

一句话总结

本文提供了朱迪亚·珀尔的 do-演算的自包含、教学性的介绍，使用图论和概率方法严格推导并证明了 do-演算的三条基础规则。文章提供了规则的详细证明，强调其在贝叶斯网络中的因果推断应用，特别是从观测数据中识别干预分布。

ABSTRACT

This is a purely pedagogical paper with no new results. The goal of the paper is to give a fairly self-contained introduction to Judea Pearl's do-calculus, including proofs of his 3 rules.

研究动机与目标

• 为不熟悉因果推断形式化方法的研究人员提供朱迪亚·珀尔 do-演算的清晰、易懂的介绍。
• 提供三条 do-演算规则的完整、逐步证明，填补珀尔1995年原始论文中未充分展开的细节。
• 通过与珀尔开创性工作略有不同的语言和视角，为学习者提供概念的重新表述。
• 为理解如何利用图形模型从观测数据中识别干预奠定坚实基础。
• 阐明 d-分离以及图操作（如子图、扩展图）在推导 do-演算规则中的作用。

提出的方法

• 使用带下划线的符号表示随机变量，并对变量元组应用标准集合运算。
• 定义关键图论构造：围栏（corral）、限制图 $G_{\underline{a}.}$、帽子图 $G_{\hat{\underline{a}.}}$ 和 vee 图 $G_{\vee\underline{a}.}$，以表示干预和条件独立性。
• 应用 d-分离定理以确定扩展图中的条件独立性，作为证明 do-演算规则的基础。
• 使用图模板 $TG_1$、$TG_2$、$TG_3$ 及其带撇版本分析未阻断路径，并验证规则的适用性。
• 利用定义 $P(a:b|c) = \frac{P(a|b,c)}{P(a|c)}$ 推导和操作条件概率，以评估干预下的条件独立性。
• 在规则3中使用反证法，证明若在扩展图中某条路径未被阻断，则在受限图中该路径也未被阻断，前提是满足特定结构约束。

实验结果

研究问题

• RQ1 如何使用图论和概率推理，正式推导并证明 do-演算的三条规则？
• RQ2 d-分离在贝叶斯网络中验证 do-演算规则有效性的角色是什么？
• RQ3 图变换如 $G_{\hat{\underline{a}.}}$ 和 $G_{\underline{a}.}^{-}$ 如何影响干预的识别？
• RQ4 在何种条件下，干预分布 $P(b.|do(a.), do(h.), i.)$ 可以简化为条件分布 $P(b.|do(h.), i.)$？
• RQ5 图的结构——特别是撞针的存在和箭头方向——如何影响 do-演算规则的有效性？

主要发现

• 本文提供了三条 do-演算规则的完整、自包含证明，其详尽程度超越了珀尔1995年的原始表述。
• 规则1通过证明：若在图 $G_{\hat{A}.}$ 中，集合 $Z$ d-分离 $A$ 与 $H$，则可将干预 $do(A)$ 替换为 $do(A)$ 和 $Z$。
• 规则2通过证明：若在 $G_{\hat{A}.}$ 中 $A$ d-分离 $H$ 与 $B$，则 $P(b.|do(a.), h.) = P(b.|do(a.), h., do(A))$。
• 规则3通过证明：若在 $G_{\hat{H}.}$ 中，$A$ 在给定 $H$ 和 $I$ 的条件下 d-分离 $B$，且 $A$ 不是 $I$ 的后代，则 $P(b.|do(a.), h.) = P(b.|h.)$。
• 规则3的证明依赖于使用图模板 $TG_3$ 和 $TG_3'$ 的反证法，表明扩展图中未被阻断的路径意味着受限图中也未被阻断。
• 分析确认，图的结构，特别是 $A^{-}$ 无进入箭头以及撞针的行为，确保了 do-演算规则在逻辑上成立且与 d-分离一致。