Huajishe Notes

2-可辨识性

11 min read

可辨识性

一句话定位：因果可辨识性研究在何种条件下，可以从观测数据的联合分布 唯一确定因果效应 的值。

前置依赖：

  • 理解 do算子的定义与含义（1-do算子）
  • 理解 d-分离的概念及其在因果图中的应用（3-因果图DAG）
  • 理解后门路径与前门路径的区别

核心思想

因果推断的核心困难在于：我们想知道的因果效应 （“如果强制让 ， 的分布是什么”）无法直接从观测数据中读取，因为观测数据只告诉我们 （“观察到 时 的分布”）。

可辨识性问题问的是：给定一个 DAG 结构假设和观测数据的联合分布，是否存在唯一确定的 ？换句话说，因果效应是否能从数据中”读出来”？

一个直观的类比：方程组的解是否唯一？如果 DAG 结构提供了足够的约束，观测分布就足以唯一确定因果效应；如果约束不足，因果效应可能有多种可能的值。

一、形式化定义

1.1 因果可辨识性的定义

定义 1（因果效应可辨识性）：给定：

  • 结构因果模型 （包含 DAG 结构 和结构方程）
  • 干预 后的响应函数
  • 观测变量集合 上的联合分布

因果效应 可辨识，当且仅当对任意两个满足 的模型 和 ，都有：

定义 2（参数可辨识性）：如果 SCM 的参数（条件概率分布）可以从观测分布唯一确定，则称参数可辨识。

变量定义：

  • ：DAG 图
  • ：切断所有指向 的边后的图
  • ：切断所有从 出发的边后的图
  • ： 的父节点集合
  • ：协变量集合
  • ：未观测混杂

1.2 可辨识性的层次

因果效应可辨识性有三种强度：

  1. 集体可辨识：整个分布 可辨识
  2. 个体可辨识：每个个体的潜在结果 可辨识
  3. 平均可辨识：仅 ATE 可辨识

二、d-分离与可辨识性的关系

2.1 d-分离的必要条件

定理：如果 可辨识，则必须满足：

在中

其中 是某协变量集合。

直觉理解：d-分离意味着在干预图中所有从 到 的非因果路径都被阻断。如果存在未被阻断的后门路径， 与 之间存在混杂，因果效应无法从观测数据中分离出来。

2.2 充分条件：后门准则

后门准则（Back-Door Criterion）：变量集合 满足后门准则，当且仅当：

  1. 阻断了所有 和 之间的非因果路径（后门路径）
  2. 不包含 的任何后代

后门准则定理：如果存在满足后门准则的 ，则：

证明： 从 SCM 出发，对潜在结果 使用条件期望：

在 下， 的父节点被切断，故 的分布不受干预影响：

由后门准则， 阻断了所有非因果路径，故在干预图 中 ：

综合得到后门调整公式。

三、ID算法：一般可辨识性判定

3.1 识别方程的建立

Shpitser 和 Pearl（2006）提出了完整的识别算法（ID 算法）。核心思想是将 do-表达式表示为观测分布的函数。

基本识别方程：对于任意可观测变量集合 ，潜在结果分布满足：

3.2 ID算法的递归步骤

输入：目标 do-表达式

输出：表示为观测分布的表达式，或”不可辨识”

步骤 1（终止条件）：

  • 如果 在 的后代中且存在未观测混杂，返回”不可辨识”
  • 如果所有从 到 的路径都被阻断，返回观测条件概率

步骤 2（递归分解）：应用 do-calculus 规则，将复杂的 do-表达式分解为更简单的表达式，直到只剩观测项。

步骤 3（西格玛函数）：定义 为满足可辨识性的观测分布表示。

3.3 ID算法的形式化

定理（ID 算法）：对于任意 DAG 和干预 ，因果效应 可辨识当且仅当 ID 算法返回有效表达式。

ID 算法的伪代码：

function identify(P, G, X, Y):
    if Y ∉ descendants(X):
        return P(Y | X)
    for each c ∈ children(X):
        if c is not observed:
            return FAIL
    for each Z ∈ non-descendants(X) ∩ descendants(X):
        identify(P, G, Z, Y)
    return expression

四、不可辨识的典型案例

4.1 未观测混杂导致的不可辨识

案例：经典混杂结构

U → X → Y
U → Y

其中 是未观测变量。

不可辨识证明：

但 和 都无法从数据观测到，因为 未观测。存在不同的 产生相同的 ，但给出不同的 。

直观理解：无法区分” 直接影响 “还是” 通过 间接影响 “。

4.2 M偏差（M-Bias）

结构：

X ← U1 → M ← U2 → Y
      ↓           ↓
      Z           W

其中 是观测变量，但 未观测。

问题：即使控制 和 ， 与 之间可能仍存在通过 的未阻断路径。

4.3 不可辨识性的数学刻画

不可辨识性当且仅当：不存在从 到 的唯一映射。

形式上，定义等价类：如果两个 SCM 产生相同的观测分布 ，但 ，则因果效应不可辨识。

五、可辨识性的图论判定

5.1 纯图判定条件

定理： 可辨识当且仅当：

  1. 在 中， 与 不 d-连接于任何观测变量集
  2. 存在有效算法（do-calculus）将 do-表达式转换为观测表达式

5.2 可辨识性的充要条件

定理（Tian-Pearl）：设 和 为观测变量。 可辨识当且仅当不存在”门”结构：

其中 是未观测变量，且 到 没有被观测变量阻断。

六、与前后内容的衔接

继承：

  • 1-do算子 — do-calculus 是可辨识性判定的形式化工具
  • 3-因果图DAG — DAG 结构是判断可辨识性的图形基础

解决：给出了何时可以从观测数据估计因果效应的完整判定条件。

引出：

可复现性说明

理论验证：可辨识性理论已通过理论证明验证。使用 ID 算法对任意给定 DAG 进行可辨识性判定在计算上可行。

软件实现：

  • Python: causal-learn 库的 find_valid_queries 函数
  • R: causal 包的 identify_effect 函数

章节摘要

  • 因果可辨识性问的是：给定观测分布 ，因果效应 是否唯一确定
  • 可辨识性的图形必要条件：在 中 与 d-分离
  • 后门准则给出可辨识的充分条件，并提供识别公式（调整公式）
  • ID 算法（Shpitser-Pearl 2006）给出了可辨识性的完整判定
  • 未观测混杂是导致不可辨识的主要原因
  • M偏差等复杂结构也可能导致不可辨识，即使有观测协变量
  • 可辨识性有层次之分：集体/个体/平均效应
  • 不可辨识意味着存在多个 SCM 产生相同观测数据但不同的因果效应
  • do-calculus 是将 do-表达式转换为观测表达式的形式化工具
  • 可辨识性是因果推断的必要前提：不可辨识时任何估计都是无意义的

关键词

因果可辨识性 | ID算法 | d-分离 | 后门准则 | 未观测混杂 | 不可辨识 | do-calculus | 参数可辨识 | 集体可辨识 | M偏差

Graph View