[论文解读] Probabilistic Variational Causal Approach in Observational Studies

Usef Faghihi, Amir Saki|arXiv (Cornell University)|Aug 12, 2022

Bayesian Modeling and Causal Inference被引用 4

一句话总结

本文提出了概率变分因果效应（PACE），一种新颖的因果推断框架，通过总变差干预与给定背景变量下暴露值自然可变性的结合，实现因果推断。通过将这种可变性参数化为度数 $d$，PACE 生成因果效应向量而非单一数值，从而能够稳健处理罕见事件和概率性因果问题，具备可识别的反事实，并可通过 PEACE 和 SPACE 等扩展实现对正向与负向效应的测量。

ABSTRACT

In this paper, we introduce a new causal methodology that accounts for the rarity and frequency of events in observational studies based on their relevance to the underlying problem. Specifically, we propose a direct causal effect metric called the Probabilistic vAriational Causal Effect (PACE) and its variations adhering to certain postulates applicable to both non-binary and binary treatments. The PACE metric is derived by integrating the concept of total variation, representing the purely causal component, with interventions on the treatment value, combined with the probabilities of hypothetical transitioning between treatment levels. PACE features a parameter $d$, where lower values of $d$ correspond to scenarios emphasizing rare treatment values, while higher values of $d$ focus on situations where the causal impact of more frequent treatment levels is more relevant. Thus, instead of a single causal effect value, we provide a causal effect function of the degree $d$. Additionally, we introduce positive and negative PACE to measure the respective positive and negative causal changes in the outcome as exposure values shift. We also consider normalized versions of PACE, referred to MEAN PACE. Furthermore, we provide an identifiability criterion for PACE to handle counterfactual challenges in observational studies, and we define several generalizations of our methodology. Lastly, we compare our framework with other well-known causal frameworks through the analysis of various examples.

研究动机与目标

• 开发一种因果推断框架，以考虑现实世界中暴露值自然可变性的特性。
• 解决现有框架（如 Pearl 的方法和信息论模型）在罕见事件或非概率情景中面临的问题。
• 通过单一参数化公式，统一处理概率性和非概率性因果问题。
• 通过 PEACE 和 SPACE 变体实现对正向与负向因果效应的测量。
• 基于 PACE 框架，建立在观察性数据中对反事实的可识别性准则。

提出的方法

• 提出 PACE 作为基于函数总变差与概率论结合的因果效应公式。
• 引入度数参数 $d$ 以控制对罕见或常见暴露变化的敏感度，从而生成因果效应向量。
• 定义 PEACE 和 SPACE 作为变体，分别用于在干预下测量正向与负向因果变化。
• 将暴露值自然可变性 $\mathbb{P}(X=1|\bm{Z}=\bm{z})$ 作为因果效应计算的核心组成部分。
• 使用结构方程模型 $Y = g(X, \bm{Z})$ 来形式化直接因果效应，同时对混杂因子 $\bm{Z}$ 进行条件化。
• 通过条件概率与反事实推理，在观察性研究中建立 PACE 的可识别性准则。

实验结果

研究问题

• RQ1 在罕见暴露变化显著影响结果的情境下，如何改进因果推断？
• RQ2 暴露值自然可变性在直接因果效应估计中起到何种作用？
• RQ3 如何通过单一因果效应公式同时处理概率性和非概率性因果问题？
• RQ4 参数 $d$ 在塑造因果效应向量及其对罕见事件的敏感度方面发挥什么作用？
• RQ5 PACE 在捕捉因果强度方面与 Pearl 的 do-演算、互信息以及 Janzing 等人的方法相比表现如何？

主要发现

• PACE 通过离散化度数参数 $d$ 生成因果效应向量，实现对不同暴露变化可变性水平的敏感性分析。
• 在湿草例子中，PACE 识别出 $\mathbb{I}(R;W|S) \approx 0.4936$ 与 $\mathbb{I}(S;W|R) \approx 0.3707$，表明通过洒水器，雨对湿草的间接因果影响更强。
• 在罕见疾病例子中，低 $\mathbb{P}(N=1|\bm{o})$ 值被证明会降低因果效应，反映出现实中暴露的稀缺性。
• 该框架成功识别出 $W \sim \mathbb{B}(0.6509)$，其熵 $\mathbb{H}(W) \approx 0.9333$，条件熵 $\mathbb{H}(W|R) \approx 0.6849$，支持因果强度的量化。
• PACE 的可识别性准则通过利用条件概率与结构模型，使在观察性数据中实现反事实推理成为可能。
• 在二元对称信道与疾病例子中，框架在处理罕见事件或暴露可变性不对称的情境下，优于传统模型，展现出更强的因果效应捕捉能力。