[论文解读] On the Equivalence of Causal Models

Tom S. Verma, Judea Pearl|arXiv (Cornell University)|Mar 27, 2013

Bayesian Modeling and Causal Inference参考文献 5被引用 14

一句话总结

本文提出了一种基于有向无环图（DAGs）的因果模型规范表示形式，使得能够通过高效的图形准则判断两个因果模型是否统计等价——即任何实验都无法区分它们。其主要贡献是为标准和嵌入式因果模型提供了一种可靠且完备的等价性测试算法，为从观测数据中进行因果发现提供了理论基础。

ABSTRACT

Scientists often use directed acyclic graphs (days) to model the qualitative structure of causal theories, allowing the parameters to be estimated from observational data. Two causal models are equivalent if there is no experiment which could distinguish one from the other. A canonical representation for causal models is presented which yields an efficient graphical criterion for deciding equivalence, and provides a theoretical basis for extracting causal structures from empirical data. This representation is then extended to the more general case of an embedded causal model, that is, a dag in which only a subset of the variables are observable. The canonical representation presented here yields an efficient algorithm for determining when two embedded causal models reflect the same dependency information. This algorithm leads to a model theoretic definition of causation in terms of statistical dependencies.

研究动机与目标

• 定义一个正式标准，以判断两个因果模型在任何实验下是否无法区分。
• 开发一种因果模型的规范表示形式，以简化等价性测试。
• 将等价性准则扩展至仅部分变量可观测的嵌入式因果模型。
• 基于统计依赖关系，提出一种基于模型论的因果定义。
• 通过图形准则实现从观测数据中高效学习因果结构。

提出的方法

• 基于DAG中的d分离和条件独立性关系，提出因果模型的规范形式。
• 引入一种图形化算法，通过比较两个DAG的骨架和v-结构来检查等价性。
• 通过聚焦可观测变量及其条件独立性约束，将规范表示扩展至嵌入式因果模型。
• 利用马尔可夫等价性概念，定义两个DAG何时编码相同的条件独立性关系集合。
• 采用忠实性概念，确保观测到的条件独立性关系能真实反映因果结构。
• 应用规范表示形式，推导出多项式时间内的等价性测试决策程序。

实验结果

研究问题

• RQ1 基于观测数据，何时两个因果模型在统计上无法区分？
• RQ2 何种图形准则可用于判断两个DAG是否表示相同的条件独立性关系集合？
• RQ3 如何高效测试嵌入式因果模型（含隐变量）的等价性？
• RQ4 基于统计依赖关系定义因果关系的理论基础是什么？
• RQ5 能否为因果模型构建一种规范形式，以实现高效的等价性检查？

主要发现

• 两个因果模型等价当且仅当它们具有相同的骨架和v-结构，这提供了一个完整且高效的图形化等价性准则。
• 规范表示形式使得因果模型之间的等价性测试可在多项式时间内完成。
• 该方法能正确识别所有马尔可夫等价DAG，确保等价性测试中无假阳性和假阴性。
• 该框架可自然扩展至嵌入式因果模型，即使部分变量不可观测，也能实现等价性测试。
• 研究结果基于DAG结构中编码的统计依赖关系，提供了形式化且基于模型论的因果定义。
• 该算法方法通过将搜索空间缩减为DAG的等价类，支持从观测数据中进行因果发现。