[论文解读] Testing Identifiability of Causal Effects

David Galles, Judea Pearl|arXiv (Cornell University)|Feb 20, 2013

Bayesian Modeling and Causal Inference参考文献 7被引用 55

一句话总结

本文提出了一种多项式时间算法，用于测试在存在未观测变量的因果图中因果效应的可识别性。该方法系统地判断单个干预对变量集的影响是否能用观测数据表达；若可识别，则推导出在干预下实现特定目标概率的闭式表达式。

ABSTRACT

This paper concerns the probabilistic evaluation of the effects of actions in the presence of unmeasured variables. We show that the identification of causal effect between a singleton variable X and a set of variables Y can be accomplished systematically, in time polynomial in the number of variables in the graph. When the causal effect is identifiable, a closed-form expression can be obtained for the probability that the action will achieve a specified goal, or a set of goals.

研究动机与目标

• 解决在因果模型中存在未观测混杂因素时评估因果效应的挑战。
• 开发一种系统化方法，以确定仅从观测数据中因果效应是否可识别。
• 提供一种计算高效的程序（多项式时间），用于在大型因果图中测试可识别性。
• 在因果效应可识别时，推导出实现干预目标概率的闭式表达式。
• 使在现实世界场景中实现实际因果推断成为可能，其中并非所有变量均可观测。

提出的方法

• 使用 do-演算和基于图的准则，判断因果效应是否可从观测数据中识别。
• 应用一种系统性算法，遍历因果图，以在变量数量的多项式时间内测试可识别性。
• 将后门准则和前门准则作为更一般可识别性测试的特例。
• 在确认可识别性后，构建干预分布的闭式表达式。
• 利用条件独立性和 d-分离来验证调整集的有效性。
• 将可识别性问题简化为基于因果图结构的图论决策过程。

实验结果

研究问题

• RQ1 当存在未观测混杂因素时，能否识别对一组变量的单个干预的因果效应？
• RQ2 是否存在一种计算高效的算法，用于在大型因果图中测试可识别性？
• RQ3 在何种条件下可以推导出干预分布的闭式表达式？
• RQ4 当可识别性成立时，如何计算在干预下实现特定结果的概率？
• RQ5 哪些图论性质决定了因果效应是否可识别？

主要发现

• 因果效应的可识别性可以在因果图中变量数量的多项式时间内进行测试。
• 当可识别时，可以直接从图结构推导出干预分布的闭式表达式。
• 该方法将后门准则和前门准则作为特例进行推广和涵盖。
• 该算法提供了一种系统化且自动化的手段，用于判断仅凭观测数据是否足以支持因果推断。
• 该方法使在已知可识别性的前提下，能够计算干预实现期望结果的概率。
• 该框架通过提供可识别性的决策过程，支持在存在未观测混杂因素时的实际因果推理。