[论文解读] On Measurement Bias in Causal Inference

Judea Pearl|arXiv (Cornell University)|Mar 15, 2012

Bayesian Modeling and Causal Inference参考文献 16被引用 36

一句话总结

本文提出了一种框架，利用图形模型和代数方法识别并消除因果推断中的测量偏差。该框架为部分未观测混杂因素下的参数模型和非参数模型提出了无偏估计的标准，使得即使在混杂因素或处理变量存在测量误差的情况下，也能实现一致的因果效应估计。

ABSTRACT

This paper addresses the problem of measurement errors in causal inference and highlights several algebraic and graphical methods for eliminating systematic bias induced by such errors. In particulars, the paper discusses the control of partially observable confounders in parametric and non parametric models and the computational problem of obtaining bias-free effect estimates in such models.

研究动机与目标

• 解决由于混杂因素或处理变量测量误差而引起的因果推断中的系统性偏差。
• 开发标准，以确定在存在未观测混杂因素时，偏差是否可以被消除。
• 提供计算方法，以在参数和非参数模型中获得无偏效应估计。
• 形式化测量误差不会使因果识别失效的条件。
• 将 do-演算扩展至变量测量不完全的场景，确保因果估计的有效性。

提出的方法

• 使用结构因果模型（SCMs）表示变量的联合分布，包括未观测的混杂因素。
• 应用 do-演算推导出在存在测量误差时因果效应仍可识别的条件。
• 提出一种图形准则，用于确定当混杂因素存在测量误差时，因果效应是否可从观测数据中识别。
• 将后门准则适配至测量误差情境，识别出即使在混杂因素部分观测时也能阻断后门路径的调整集。
• 推导出在测量误差偏差可被代数校正的条件下，利用结构方程函数形式进行分析校正的代数条件。
• 提出对观测数据模型的变换，通过考虑混杂因素或处理变量中的测量误差，以恢复真实的因果效应。

实验结果

研究问题

• RQ1 当混杂因素存在测量误差时，因果效应在何种条件下可被一致估计？
• RQ2 如何校正处理或混杂变量中的测量误差，以消除系统性偏差？
• RQ3 何种图形和代数准则可确保即使存在未观测混杂因素和测量误差，因果效应仍可识别？
• RQ4 do-演算能否扩展至处理混杂因素或处理变量中存在测量误差的情形？
• RQ5 当混杂因素未被完全观测时，何种调整足以阻断后门路径？

主要发现

• 本文确立了，若混杂因素的测量误差满足特定的条件独立性假设，则可消除测量偏差。
• 推导出一种图形准则，即使在混杂因素仅部分观测时，也能识别出无偏的调整集。
• 作者证明，在特定条件下，可通过校正后的识别公式从观测数据中恢复真实的因果效应。
• 该方法在测量误差机制已知或可估计时，可实现在非参数模型中的一致估计。
• 该方法将后门准则推广至存在测量误差的情境，扩展了其在现实世界中存在不完美测量数据的适用性。
• 本文表明，若处理变量的测量误差是非确定性的且被正确建模，则其不必然导致识别失效。