[论文解读] On the Testable Implications of Causal Models with Hidden Variables

Jin Tian, Judea Pearl|arXiv (Cornell University)|Dec 12, 2012

Bayesian Modeling and Causal Inference被引用 30

一句话总结

本文提出了一种系统方法，用于识别具有未测量（隐藏）变量的因果模型中的功能约束，将可检验性推论扩展至超出由 d-分离导出的条件独立性。通过揭示这些功能约束，该方法能够从观测数据中实现更严格的因果模型检验与推断，显著拓宽了模型验证的范围，超越了标准的条件独立性检验。

ABSTRACT

The validity OF a causal model can be tested ONLY IF the model imposes constraints ON the probability distribution that governs the generated data. IN the presence OF unmeasured variables, causal models may impose two types OF constraints : conditional independencies, AS READ through the d - separation criterion, AND functional constraints, FOR which no general criterion IS available.This paper offers a systematic way OF identifying functional constraints AND, thus, facilitates the task OF testing causal models AS well AS inferring such models FROM data.

研究动机与目标

• 为解决因缺乏可识别约束而导致具有未测量混杂因子的因果模型通常不可检验的局限性。
• 识别因果模型中由隐变量引发的功能约束（超越条件独立性）。
• 为在存在潜伏混杂因子时推导因果模型的可检验性推论，提供系统性框架。
• 通过结合条件约束与功能约束，增强从观测数据中验证和推断因果结构的能力。
• 通过整合未观测变量引发的功能关系，扩展 d-分离准则。

提出的方法

• 提出对结构因果模型中由潜在共同原因引发的功能约束的正式刻画。
• 引入一种基于因果图结构的图形准则，以检测模型是否隐含功能约束。
• 应用代数与结构分析，推导出若模型正确则必须成立的可观测变量之间的功能关系。
• 利用“功能 d-分离”概念，识别可基于数据检验的非概率约束。
• 开发一种算法框架，系统地枚举并验证这些功能约束。
• 结合图形建模与代数约束，为具有隐变量的模型生成完整的可检验性推论集合。

实验结果

研究问题

• RQ1 当存在未测量混杂因子时，因果模型中会产生哪些类型的可检验性推论？
• RQ2 如何从具有隐变量的因果图中系统推导出超越条件独立性的功能约束？
• RQ3 功能约束能否用于区分在 d-分离下观测等价但存在竞争关系的因果模型？
• RQ4 具有隐变量的因果模型的结构与其所隐含的功能形式约束之间存在何种关系？
• RQ5 如何利用功能约束来提升从观测数据中因果模型的可识别性与验证能力？

主要发现

• 本文确立了具有隐变量的因果模型会对联合概率分布施加功能约束，即使在缺乏条件独立性的情况下，这些约束依然可检验。
• 提出了一种新准则——功能 d-分离，用于识别模型结构是否隐含此类约束。
• 该方法能够检测到可被用于拒绝错误因果模型的非概率约束，即使这些模型在标准 d-分离下观测等价。
• 作者证明了功能约束可系统地从因果模型的图形结构中推导得出，从而提供了一套完整的可检验性推论。
• 该框架显著扩展了可检验性推论的范围，超越了条件独立性，使因果模型验证更加稳健。
• 该方法通过将功能关系纳入模型检验，为在存在潜伏混杂因子时的因果发现提供了基础。