因果推断（八）有向无环图和do算子

前言

整个因果学科的学习框架之前已经梳理在了学习框架（潜在因果模型和结构因果模型）一文中，本文的内容是结构因果模型（SCM）里一部分。

从有向无环图说起

有向无环图（Directed Acyclic Graph：DAG）里的"有向"代表图里的连线是有箭头表示方向的，“无环”即没有环路，箭头上游是“父亲”，下游是“子代”。

对DAG的理解有两种观点：

1. 是一个条件独立模型；
2. 是一个数据生成机制。

用$x_i$代表图中的节点，$P(x_i)$代表连续变量的概率密度函数和离散变量的概率函数，则DAG中随机变量的联合分布可以有如下的分解：
$$P(x_1,...,x_i)=\prod _{i=1}^{n}P(x_i|p{a}_i)$$
$p{a}_i$表示$x_i$的“父亲”集合。

以下图为例：

$$P(X_1,X_2,X_3,X_4,X_5,X_6,X_i,X_j)=P(X_1)\ast P(X_2)\ast P(X_3|X_1)\ast P(X_4|X_1,X_2)\ast P(X_5|X_2)\ast P(X_i|X_3,X_4)\ast P(X_6|X_i)\ast P(X_j|X_4,X_5,X_6)$$
这样描述变量联合分布或者数据生成机制的模型，被称为“图模型”或“贝叶斯网络”。

do算子登场

DAG图上引入因果则需要do算子或者干预这一概念。如下图所示，干预意味着处置变量不再受其“父亲”变量的影响，因此一个干预变量不会再有任何一个进入它的有向边。

用一个例子来理解：假设我们想研究评分对一个店铺客流量的影响，do算子或干预意味着，我们人为的把某个店铺的得分修改成t，即$P(Y|do(X_i=t))$，然后观测起客流量的分布。而店铺的$P(Y|X_i=t)$则表示原来用户自由打分的情况下，客流量的分布。

区分干预分布和条件分布

先给出结论：干预分布$\ne$条件分布，即$P(.|do(X_i)=x_i^{{}^{\prime }})\ne P(.|X_i=x_i^{{}^{\prime }})$。

原因通过下图可以理解，干预分布下打断了混淆变量对处置的影响。

参考资料

[1] 因果推断简介之五：因果图
[2] 《因果推断与机器学习》郭若成