[论文解读] Psychological and normative theories of causal power and the probabilities of causes

Clark Glymour|arXiv (Cornell University)|Jul 24, 1998

Bayesian Modeling and Causal Inference参考文献 6被引用 3

一句话总结

本文通过在贝叶斯网络框架中使用噪声或门和噪声与门的形式化，将Cheng（1997）的心理因果判断理论扩展为任意无环网络，并在存在未观测混杂因素的情况下提供直接和总因果影响的估计条件。其主要贡献是提出了一种在不确定性条件下从协变数据推断因果能力的系统性方法。

ABSTRACT

This paper (1) shows that the best supported current psychological theory (Cheng, 1997) of how human subjects judge the causal power or influence of variations in presence or absence of one feature on another, given data on their covariation, tacitly uses a Bayes network which is either a noisy or gate (for causes that promote the effect) or a noisy and gate (for causes that inhibit the effect); (2) generalizes Cheng's theory to arbitrary acyclic networks of noisy or and noisy and gates; (3) gives various sufficient conditions for the estimation of the parameters in such networks when there are independent, unobserved causes; (4) distinguishes direct causal influence of one feature on another (influence along a path with one edge) from total influence (influence along all paths from one variable to another) and gives sufficient conditions for estimating each when there are unobserved causes of the outcome variable; (5) describes the relation between Cheng models and a simplified version of the Rubin framework for representing causal relations.

研究动机与目标

• 将Cheng（1997）的心理因果能力理论形式化为包含噪声或门和噪声与门的贝叶斯网络。
• 将该理论推广至由此类门组成的任意无环网络结构。
• 识别当存在独立的未观测共同原因时，估计因果参数的充分条件。
• 在未观测混杂因素存在的情况下，区分并估计直接因果影响与总因果影响。
• 将Cheng模型与Rubin的简化潜在结果框架相关联，以进行比较分析。

提出的方法

• 使用贝叶斯网络建模因果判断，其中原因通过噪声或门（用于促进）或噪声与门（用于抑制）表示。
• 将网络结构推广至由噪声或门和噪声与门组成的任意无环图。
• 推导出当未观测的共同原因影响结果时，参数估计的充分条件。
• 区分直接影响（单条边路径）与总影响（所有路径），并为两者提供估计条件。
• 使用与噪声或和噪声与机制一致的条件概率分布，以建模概率性因果关系。
• 通过展示结构上的相似性，将所得模型与Rubin的潜在结果框架相关联，表明其在因果表示上的结构对应性。

实验结果

研究问题

• RQ1 Cheng（1997）的因果能力理论如何能在贝叶斯网络框架中被正式表示？
• RQ2 在存在未观测共同原因的无环网络中，哪些条件允许估计因果参数？
• RQ3 当混杂因素未被观测时，如何区分并估计直接与总因果影响？
• RQ4 Cheng模型与Rubin潜在结果框架之间存在何种关系？
• RQ5 在何种条件下，可从观测到的协变数据中识别因果结构？

主要发现

• Cheng的心理因果判断理论隐含地依赖于一个包含噪声或门或噪声与门的贝叶斯网络，具体取决于原因是否促进或抑制结果。
• 该理论可推广至由噪声或门和噪声与门组成的任意无环网络，同时保持其解释力。
• 即使独立的未观测共同原因影响结果变量，也提供了估计因果参数的充分条件。
• 在特定的结构和概率假设下，可对直接因果影响（沿单条边）和总因果影响（沿所有路径）进行估计。
• 证明了该模型的结构和假设与Rubin因果框架的简化版本兼容，从而支持跨理论解释。
• 在推导出的条件下，该框架可从协变数据中一致地估计因果能力，即使存在未观测混杂因素。