[论文解读] Structural Intervention Distance (SID) for Evaluating Causal Graphs

Jonas Peters, Peter Bühlmann|arXiv (Cornell University)|Jun 5, 2013

Bayesian Modeling and Causal Inference参考文献 12被引用 8

一句话总结

本文提出了结构干预距离（SID），一种用于评估因果图的新预距离度量，通过量化两个DAG或CPDAG在因果推断陈述上的差异来衡量其差异。与结构汉明距离（SHD）不同，SID通过评估do-演算效应，检验每个图是否正确预测了干预分布，从而为因果结构学习和干预分析提供了更具意义的度量方式。

ABSTRACT

Causal inference relies on the structure of a graph, often a directed acyclic graph (DAG). Different graphs may result in different causal inference statements and different intervention distributions. To quantify such differences, we propose a (pre-) distance between DAGs, the structural intervention distance (SID). The SID is based on a graphical criterion only and quantifies the closeness between two DAGs in terms of their corresponding causal inference statements. It is therefore well-suited for evaluating graphs that are used for computing interventions. Instead of DAGs it is also possible to compare CPDAGs, completed partially directed acyclic graphs that represent Markov equivalence classes. Since it differs significantly from the popular Structural Hamming Distance (SHD), the SID constitutes a valuable additional measure. We discuss properties of this distance and provide an efficient implementation with software code available on the first author's homepage (an R package is under construction).

研究动机与目标

• 为解决现有图距离度量（如SHD）无法捕捉因果推断能力差异的局限性。
• 开发一种度量方法，评估因果图预测干预分布的能力，反映现实世界中的因果推理。
• 提出一种基于do-演算和图形准则的预距离度量（SID），适用于比较DAG和CPDAG。
• 为因果发现算法的实际应用，提供SID的高效计算实现。
• 证明SID在评估估计的因果结构时，相较于SHD提供了互补且更具信息量的洞察。

提出的方法

• 将SID定义为变量对(i,j)的数量，其中估计图H在do(Xi=x)对Xj的影响上错误预测了因果效应，而真实图G则正确预测了非零效应。
• 使用do-演算判断Xi的干预是否影响Xj：若在G中j不是i的父节点，则仅当存在未被其父节点条件阻断的后门路径时，效应才可能非零。
• 对每个节点i，计算H预测效应为零的节点j集合（即H中j是i的父节点），并与G的预测进行比较。
• 通过路径矩阵进行可达性检查，判断在从H中移除i的父节点边后，G中是否存在从i到j的非定向路径，以指示潜在未被阻断的后门路径。
• 使用邻接矩阵和路径矩阵实现高效算法，以O(p^4)时间复杂度计算SID，并针对稀疏图进行优化。
• 通过一致处理马尔可夫等价类，将方法扩展至CPDAG，确保距离在等价类内对边方向变化保持不变。

实验结果

研究问题

• RQ1 如何衡量两个因果图在预测干预分布能力方面的差异？
• RQ2 SID在哪些方面提供了比仅统计边差异的SHD更具意义的因果结构估计评估？
• RQ3 SID能否高效计算并应用于DAG和CPDAG，包括马尔可夫等价类？
• RQ4 在合成数据上，SID相较于SHD在捕捉因果推断能力差异方面表现如何？
• RQ5 SID的理论性质是什么？它与do-演算和干预分布有何关系？

主要发现

• SID通过关注预测干预效应的差异而非仅边的差异，为因果图评估提供了比SHD更具信息量的评估方式。
• 所提出的算法以O(p^4)时间复杂度计算SID，且已通过正在开发的R包提供高效实现。
• SID能正确识别出图H错误预测某干预对变量j无效应，而真实图G预测效应非零的情况。
• 通过在H中移除i的父节点边后，检查G中是否存在未被阻断的后门路径，该方法检测出因果效应预测中的错误，确保干预预测评估的准确性。
• SID在马尔可夫等价类内对边方向变化保持不变，使其适用于CPDAG的比较。
• 在合成数据上的实验表明，SID捕捉到了与因果推断相关的结构差异，而SHD可能在边集相似但因果预测不同时忽略此类差异。