因果5-前门准则和do算子

上文我们提到了含有未观测变量的情况，在这种情况下，我们无法block所有后门路径，那么有没有办法可以不满足后门准则也能识别因果效应？（这章篇硬核，建议跟着推一遍）

Frontdoor Adjustment

如图1所示，W是未观测变量，如果我们能只计算T到Y的直接因果边，自然就能识别T到Y的因果关系了，Frontdoor Adjustment就是奔着这个目标去的，它指出只要T和Y直接有一个mediator（中介者）M，即使不满足后门准则，我们也能计算出因果效应，只要因果图满足Frontdoor criterion（前门准则）。在介绍前门准则前，我们先了解下mediator M的定义 ：

如果T到Y的所有直接因果路径全部需要通过M，则称一组变量集合M完全 mediate（中介）T到Y的效应，这样的情况称为 complete/full mediator（完全中介）。

Frontdoor criterion，如果：

1. M completely mediates T到Y的影响（所有T到Y的的因果路径都通过M
2. T到M没有 unblocked backdoor path
3. 所有M 到 Y 的后门路径都被T blocked。

则变量集合满足关于T到Y的前门准则。下面我们根据前门准则对图1的因果效应进行识别。

图1.前门准则

只需要考虑以下三步：

1. 识别T到M的因果效应
2. 识别M到Y的因果效应
3. 合并步骤1和2，识别T到Y的因果效应

首先考虑第一步，识别T到M的因果效应P(m|do(t))，因为Y是T-M的collider，所以Y block T-M的后门路径。因此根据后门调整可得：P(m|do(t))=P(m|t)

第二步，识别M到Y的效应：P(y|do(m))。因为T block M<-T<-W->Y，我们可以通过调整T满足后门标准：$P(y|do(m))={\sum }_{t}P(y|m,t)P(t)$

第三步，由前两步得到T到Y的因果效应：

$P(y|do(t))={\sum }_{m}P(m|do(t))P(y|do(m))$

其实就是求所以m取值下的T到Y的因果效应，全部加起来就是T到Y的真正因果效应了。

因此得到Frontdoor Adjustment，如果(T,M,Y)满足Frontdoor criterion 并且满足positivity 假设，则

$P(y|do(t))={\sum }_{m}P(m|t){\sum }_{t^{\prime }}P(y|m,t^{\prime })P(t^{\prime })$

下面我们给出Frontdoor Adjustment的数学证明：

首先针对图1使用贝叶斯网络分解，得到

$P(w,t,m,y)=P(w)P(t|w)P(m|t)P(y|w,m)$

然后使用truncated factorization，得到

$P(w,m,y|do(t))=P(w)P(m|t)P(y|w,m)$

然后边缘化w和m，得到

${\sum }_m{\sum }_{w}P(w,m,y|do(t))={\sum }_m{\sum }_{w}P(w)P(m|t)P(y|w,m)={\sum }_{m}P(m|t){\sum }_{w}P(y|w,m)P(w)$

$P(y|do(t))={\sum }_{m}P(m|t){\sum }_{w}P(y|w,m)P(w)$

我们的目标是把未观测变量w消去，只留下t，m，y。在上式中，我们想如果能将P(w)转化为P(w|m)，就能刚好消去w，结合图1可得P(w|t)=P(w|m,t)（y作为collider），于是上式可化为

$P(y|do(t))={\sum }_{m}P(m|t){\sum }_{w}P(y|w,m){\sum }_{t^{\prime }}P(w|t^{\prime })P(t^{\prime })$

$={\sum }_{m}P(m|t){\sum }_{w}P(y|w,m){\sum }_{t^{\prime }}P(w|t^{\prime },m)P(t^{\prime })={\sum }_{m}P(m|t){\sum }_{t^{\prime }}P(t^{\prime }){\sum }_{w}P(y|w,m)P(w|t^{\prime },m)$

因为W和M已经d-separation T和Y，所以P(y|w,m)=P(y|w,m,t’)

$P(y|do(t))={\sum }_{m}P(m|t){\sum }_{t^{\prime }}P(t^{\prime }){\sum }_{w}P(y|w,m)P(w|t^{\prime },m)={\sum }_{m}P(m|t){\sum }_{t^{\prime }}P(t^{\prime }){\sum }_{w}P(y|w,m,t^{\prime })P(w|t^{\prime },m)$

$={\sum }_{m}P(m|t){\sum }_{t^{\prime }}P(t^{\prime }){\sum }_{w}P(y,w|t^{\prime },m)={\sum }_{m}P(m|t){\sum }_{t^{\prime }}P(t^{\prime }){\sum }_{w}P(y,w|t^{\prime },m)$

$={\sum }_{m}P(m|t){\sum }_{t^{\prime }}P(t^{\prime })P(y|t^{\prime },m)={\sum }_{m}P(m|do(t))P(y|do(m))$

证毕。

do-calculus

如果T到Y之间既不满足后门准则，也不满足前门准则该怎么办？do-calculus能够识别任何可识别的因果量。为了学习do-calculus的规则，我们需要先定义一些术语。

$G_{\overline{X}}$:移除G中所有指向X的边，即X没有parent

$G_{\underline{X}}$:移除G中所有被X指向的边，即X没有descendent

$G_{\overline{Z(W)}}$:移除Z指向W的所有边，即Z中没有W的parent

知道这三个术语后，我们学习do-calculus的三条规则，给定因果图G，分布P，不相交的三个变量集Y，T，Z和W，有下列规则：

Rule 1：$P(y|do(t),z,w)=P(y|do(t),w),ifY{\perp \perp }_{G_{\overline{T}}}Z|T,W$

Rule 2:$P(y|do(t),do(z),w)=P(y|do(t),z,w),ifY{\perp \perp }_{G_{\overline{T},\underline{Z}}}Z|T,W$

Rule 3:$P(y|do(t),do(z),w)=P(y|do(t),w),ifY{\perp \perp }_{G_{\overline{T},\overline{Z(W)}}}Z|T,W$

首先理解一下Rule 1，让我们考虑一种特殊的情况，do(t)为空集，则得到

Rule 1 with do(t) removed：$P(y|z,w)=P(y|w),ifY{\perp \perp }_{G}Z|W$，即d-separation定义，因此可得，Rule 1是 d-separation 到干预分布的泛化。

对于Rule 2，继续考虑特殊情况do(t)为空集，则得到

Rule 2 with do(t) removed：$P(y|do(z),w)=P(y|z,w),ifY{\perp \perp }_{G_{\underline{Z}}}Z|W$，即后门调整，因此可得，Rule 2是 后门调整到干预分布的泛化。

对于Rule 3，继续考虑特殊情况do(t)为空集，则得到

Rule 3 with do(t) removed：$P(y|do(z),w)=P(y|w),ifY{\perp \perp }_{G_{\overline{Z(W)}}}Z|W$，首先看后面的if条件，当Z没有指向W的边时，给定W，Y和Z是d-separation的，那么这种情况下是否do(z)对y没有影响（Modularity）。

Application：frontdoor Adjustment

为了更好地理解do-calculus rules，我们再看一个例子，用do-calculus证明frontdoor Adjustment。还是针对图1的因果图，首先，我们对目标P(y|do(t))进行边缘化，得到

$P(y|do(t))={\sum }_{m}P(y|do(t),m)P(m|do(t))$

$={\sum }_{m}P(y|do(t),m)P(m|t)$（Rule 2，T到M的后门路径被Y blocked）

$={\sum }_{m}P(y|do(t),do(m))P(m|t)$（Rule 2，M到Y的后门路径被do(t) blocked）

$={\sum }_{m}P(y|do(m))P(m|t)$（Rule 3，考虑W为空集的情况，得到$P(y|do(t),do(m))=P(y|do(m)),ifY{\perp \perp }_{G_{\overline{M},\underline{T}}}Z|T$，$\overline{M},\underline{T}=do(m)$）

$={\sum }_{m}P(m|t){\sum }_{t^{\prime }}P(y|do(m),t^{\prime })P(t^{\prime }|do(m))$（边缘化）

$={\sum }_{m}P(m|t){\sum }_{t^{\prime }}P(y|m,t^{\prime })P(t^{\prime }|do(m))$（Rule 2，M到Y的后门路径被t’ blocked）

$={\sum }_{m}P(m|t){\sum }_{t^{\prime }}P(y|m,t^{\prime })P(t^{\prime })$（Rule 3，m到t’没有因果效应，因为m到t’没有直接因果路径）

证毕。

do-calculus被证实具有completeness，即只要因果图具有可识别性，就可以用do-calculus识别出因果效应。

Determining Identifiability from the Graph

如果因果图是可识别的我们就可以通过do-calculus识别因果效应，那么如何确定因果图是可识别的呢？我们已经学过了后门准则和前门准则，接下来我们学习更为广泛的准则。

single variable intervention

单变量干预。当只有一个干预变量时，有

unconfounded children criterion：如果存在一个变量集合可以block T到所有既是T的孩子节点又是Y的祖先节点的顶点（包括Y本身）的后门路径，则其满足unconfounded children criterion。

可以看出unconfounded children criterion是后门准则和前门准则的泛化。据此可得到一个可识别性的充分不必要条件，unconfounded children identifiability：

若结果变量集合Y和单变量T满足unconfounded children criterion和positivity，则P(Y=y|do(T=t))是可识别的。

single variable intervention和前门准则的直觉是一致的，都是隔离所有T到Y的直接因果边以外的边，只不过single variable intervention考虑了后门准则的情况。

学习了一个充分条件，还可以据此得到一个必要不充分条件：如果每一个M既是T的孩子也是Y的祖先，且每个M都是都可以被block。

图2.必要不充分例子 可以看一个例子，如图2所示，W1、W2、W3都在T到Y的后门路径上，但如果block W2，反而会建立W1和W3的虚假路径。

这一章的内容比较硬核，我们学习的知识是最简单的单个预变量情况，多个预变量的情况我也还没学，如果大家感兴趣可以一起交流。本章进一步扩展了可识别性和识别方法，下一章开始，我们学习如何评估因果效应。

Reference

Introduction to Causal Inference