[论文解读] On Identifying Total Effects in the Presence of Latent Variables and Selection bias

Zhihong Cai, Manabu Kuroki|arXiv (Cornell University)|Jun 13, 2012

Bayesian Modeling and Causal Inference参考文献 12被引用 8

一句话总结

本文提出了线性结构方程模型中在存在潜在变量和选择偏差情况下的总因果效应的新图形可识别性准则，扩展了以往的后门准则和前门准则等方法。通过利用可识别因子模型，作者建立了在未观测混杂因素和选择偏差扭曲观测数据的情况下，总效应仍可估计的条件，为复杂情境下的因果推断提供了稳健的框架。

ABSTRACT

Assume that cause-effect relationships between variables can be described as a directed acyclic graph and the corresponding linear structural equation model.We consider the identification problem of total effects in the presence of latent variables and selection bias between a treatment variable and a response variable. Pearl and his colleagues provided the back door criterion, the front door criterion (Pearl, 2000) and the conditional instrumental variable method (Brito and Pearl, 2002) as identifiability criteria for total effects in the presence of latent variables, but not in the presence of selection bias. In order to solve this problem, we propose new graphical identifiability criteria for total effects based on the identifiable factor models. The results of this paper are useful to identify total effects in observational studies and provide a new viewpoint to the identification conditions of factor models.

研究动机与目标

• 解决现有因果识别准则未同时考虑选择偏差和潜在变量的问题。
• 将后门准则和前门准则扩展至同时存在未观测混杂因素和选择偏差的情境。
• 建立新的图形条件，以确保在复杂条件下线性结构方程模型中总效应的可识别性。
• 为在标准准则因选择偏差而失效的观察性研究中识别总效应提供理论基础。
• 为在存在选择偏差和未观测混杂因素的情况下，因子模型的识别条件提供新视角。

提出的方法

• 作者引入了一类新的图形模型，使用有向无环图（DAGs）同时刻画潜在变量和选择偏差。
• 他们基于可识别因子模型提出了一项新准则，用于判断在存在未观测混杂因素和选择偏差时，总效应是否可估计。
• 该方法依赖于具有因子结构误差项的结构方程模型，通过特定的条件独立性约束实现识别。
• 该方法通过修改条件独立性假设，将前门准则扩展以纳入选择偏差。
• 推导出图形规则，用于检验在同时存在潜在混杂因素和选择偏差的情况下，处理变量对结果变量的总效应是否可识别。
• 该框架利用条件工具变量和条件独立性条件，推导出可检验的识别限制。

实验结果

研究问题

• RQ1 当因果模型中同时存在潜在混杂因素和选择偏差时，总因果效应是否可识别？
• RQ2 何种图形条件可确保在未观测混杂因素和选择偏差共同作用下，总效应的可识别性？
• RQ3 如何将现有的识别准则（如后门准则和前门准则）扩展以包含选择偏差？
• RQ4 可识别因子模型在何种程度上改善了在潜在变量和选择偏差下总效应的估计？
• RQ5 当选择偏差扭曲观测数据时，总效应识别的必要和充分条件是什么？

主要发现

• 本文建立了一项新的图形准则，用于在同时存在潜在变量和选择偏差的情况下识别总效应，扩展了以往未考虑选择偏差的工作。
• 所提出的方法在特定因子模型假设下，可利用条件工具变量识别总效应。
• 作者证明了在某些条件独立性和因子结构假设下，即使存在选择偏差，总效应仍保持可识别。
• 该框架为在存在未观测混杂因素和选择偏差的复杂观察性研究中，系统评估总效应是否可估计提供了方法。
• 通过在具有可识别因子模型误差结构的一类线性结构方程模型上的应用，验证了结果的有效性。
• 该方法使得在标准后门或前门准则因选择偏差而失效的情境下，仍可进行因果推断。