Huajishe Notes

2-前门后门准则

12 min read

前门后门准则

一句话定位：前门准则和后门准则是判断因果效应可辨识性的两个互补的图形化准则，后门准则通过阻断非因果路径识别因果效应，前门准则通过中介路径处理存在未观测混杂的情况。

前置依赖：

核心思想

后门准则和前门准则是因果推断中最常用的两个可辨识性判定准则。它们都是Pearl提出的do-calculus的特例，用图形化方式告诉研究者：在什么条件下可以从观测数据中估计因果效应 。

后门准则问的是：是否存在一组协变量 阻断了所有从 到 的非因果路径（后门路径）？如果是，控制 就可以识别因果效应。

前门准则处理更困难的情况：当存在未观测混杂 使得后门准则不满足时，是否可以通过分析因果路径本身（经由中介 ）来识别因果效应？

类比：如果想比较两组人（一组喝咖啡，一组不喝）的心脏病发病率，但这两组人在压力、生活习惯上有系统差异，后门准则问的是能否找到可观测的变量来”平衡”这些差异；前门准则则问是否能通过分析”喝咖啡 血压 心脏病”这条中介路径来绕过混杂问题。

一、后门准则

1.1 后门路径的定义

定义（后门路径）：在 DAG 中，连接 和 的路径，如果以指向 的箭头结尾（即 ），则称为后门路径。

示例：

U → X → Y      （U → X → Y 是因果路径）
U → Y          （U → Y 是后门路径）
U → X ← Z → Y  （U → X ← Z → Y 是后门路径）

1.2 后门准则的正式陈述

定义（后门准则）：变量集 满足后门准则，当且仅当：

  1. 阻断了 和 之间的所有后门路径
  2. 不包含 的任何后代（即 中没有 的中介变量）

条件1的图形判定：在 （切断所有指向 的边后的图）中， d-分离 和 。

1.3 后门准则定理

定理（后门识别定理）：如果变量集 满足后门准则，则：

数学推导：

设 是原始 DAG， 是切断所有指向 的边后的图。

由 do-calculus 规则 1：

在 中， 的父节点被切断，因此 的分布在干预下不变：

由后门准则， 在 中成立，故：

综合得证。

1.4 后门准则的失效场景

场景：存在未观测混杂 连接 和 ，且没有可观测变量能阻断所有后门路径。

结构：

U → X → Y
U → Y
Z → X

其中 只能阻断部分后门路径， 完全未观测。

二、前门准则

2.1 前门路径与中介分析

定义（前门路径）：从 到 的直接因果路径，通常经由中介变量 ：。

问题：如果存在未观测混杂 使得 和 之间的后门路径无法全部阻断，还能否识别因果效应？

前门准则的洞察：如果：

  1. 到 的因果效应完全通过中介 传递
  2. 我们可以观测到 和 的关系

那么即使存在未观测混杂，我们仍可以通过”分步识别”来获得因果效应。

2.2 前门准则的正式陈述

定义（前门准则）：变量 满足前门准则，当且仅当：

  1. 阻断所有从 到 的直接路径（ 中的非因果路径）
  2. 不存在从 到 的未观测混杂（所有 与 之间的混杂都已被观测）
  3. 到 的所有路径都被 阻断（ 是唯一 路径）

变量定义：

  • ：中介变量
  • ：处理变量
  • ：结果变量
  • ：可选的协变量

2.3 前门识别公式的推导

目标：推导 的识别公式。

第一步：识别 的效应

由于满足前门准则， 没有来自 的未观测混杂：

第二步：识别 的效应

对于固定 ，需要识别 。

由于 是唯一因果路径，且 到 的后门路径被 阻断：

这里关键使用的是 do-calculus 规则 2（行动/观测交换）。

第三步：综合两步

应用分步法则：

代入前两步结果：

最终公式：

2.4 前门准则的应用条件

何时使用前门准则：

  • 存在明确的因果中介假设（）
  • 后门准则不满足（存在未观测混杂）
  • 中介变量 被观测
  • 与 之间的混杂可忽略或被控制

三、后门与前门的对比

3.1 识别策略的对比

后门准则前门准则
核心策略阻断非因果路径分析因果路径本身
适用场景有可观测协变量阻断后门路径存在未观测混杂，但中介可观测
公式类型
条件强度需要控制所有后门路径需要中介完全传递因果效应

3.2 互补关系

后门失效、前门成功的案例：

U → X → M → Y
U → Y

其中 未观测。

后门准则失效：无法阻断 的后门路径。

前门准则成功： 作为中介，识别 的因果效应。

两者都失效的案例：

U → X → Y
U → Y
且没有可观测中介

无论后门还是前门都无法处理未观测混杂。

四、应用案例

4.1 吸烟与肺癌（后门准则）

结构：

基因型 → 吸烟 → 肺癌
基因型 → 肺癌

问题：基因型是混杂因素（同时影响吸烟和肺癌）。

解决方案：控制基因型相关的混杂变量（如家族史）。

后门调整公式：

肺癌吸烟基因型肺癌吸烟基因型基因型

4.2 杀虫剂与疾病（前门准则）

经典案例（Pearl 2001）：杀虫剂暴露 体内浓度 疾病

结构：

U（环境因素）→ 杀虫剂暴露
U → 疾病
           ↓
杀虫剂暴露 → 体内浓度 → 疾病

问题：存在未观测的环境混杂 。

前门解决方案：控制体内浓度作为中介。

公式：

疾病杀虫剂浓度杀虫剂疾病浓度杀虫剂杀虫剂

五、优缺点

优点

  • 提供直观的图形化判定方法
  • 后门准则是实际应用中最常用的识别策略
  • 前门准则处理了后门无法处理的未观测混杂场景
  • 两者互补，覆盖大多数实际应用场景

缺点

  • 需要正确的 DAG 假设（因果结构的先验知识）
  • 前门准则要求因果效应完全经由中介传递
  • 实践中 DAG 结构往往不确定
  • 高维协变量下寻找最优协变量集是 NP-hard 问题

六、与前后内容的衔接

继承：

  • 1-do算子 — do-calculus 是前后门准则的理论基础
  • 2-可辨识性 — 前后门准则是可辨识性的具体应用

解决：提供了两种实用的可辨识性判定准则和对应的识别公式。

引出：

可复现性说明

软件实现：

  • Python: causal-learn 库的 is_backdoor 和 is_frontdoor 函数
  • R: causal 包的 backdoor_criterion 和 frontdoor_criterion 函数

章节摘要

  • 后门准则要求存在变量集 阻断所有 的后门路径
  • 后门识别公式：
  • 前门准则要求存在中介 完全传递因果效应且无未观测混杂
  • 前门识别公式：
  • 后门准则处理混杂问题，前门准则处理中介问题
  • 两者互补：后门失效时前门可能成功
  • 两者都失效则因果效应不可辨识
  • 正确识别需要正确的 DAG 结构假设
  • 前后门准则都是 do-calculus 的特例
  • 实践中往往结合使用，选择最优识别策略

关键词

后门准则 | 前门准则 | 后门路径 | 前门路径 | 中介分析 | 可辨识性 | do-calculus | 混杂控制 | 识别公式 | 调整公式

Graph View