因果系列文章（10）—— 因果关系发现

如何从纷繁复杂的数据中发现其中隐含因果关系，就是因果关系发现（casual discovery）要做的工作。本节简要总结这方面的工作，主要材料来源于《Elements of Causal Inference Foundations and Learning Algorithms》[1]这本书第4章、第7章和一些综述文章[2][3]。

在学习因果关系发现之前，首先补充一些相关的概念定义。

这些定义都是参考知乎作者：木土老师《因果关系》https://zhuanlan.zhihu.com/p/555170435

马尔可夫性、忠实性

马尔可夫性（Markov property）是构成图模型基础的一个常用假设。当一个分布关于一个图是“马尔可夫”（Markovian）的，则表明这个图能够建模分布中的某些特定的独立性，那么我们就可以利用这些独立性来进行有效的计算或进行数据存储。有向图和无向图都存在马尔可夫性，但在因果推理中，主要还是研究有向图的马尔可夫性。

【定义】 马尔可夫性：给定一个有向无环图 G 以及所有节点的联合概率分布 P ，那么如果 Xi 和 Xj被 S d分离⇒Xi⊥⊥Xj|S ，则称这个分布 P 满足关于G 的全局马尔可夫性。

与之相对偶的性质是忠实性（Faithfulness）。

【定义】 忠实性：考虑一个分布 P 和一个有向无环图 G ，那么如果 Xi⊥⊥Xj|S⇒ Xi 和 Xj被 S d分离 ，那么 P 关于 G 就是忠实的。

考虑如下的一个例子。假设概率分布 P 对有向无环图 G 是马尔可夫且忠实的，那么根据以下条件确定模型 G 的结构。

1. X⊥⊥Z （变量包括 X 、 Y 、 Z ）
2. X⊥⊥Y|Z （变量包括 X 、 Y 、 Z ）
3. X⊥⊥Y 、 X⊥⊥W|Z 、 X⊥⊥W|Z,Y 、 Y⊥⊥W|Z 、 Y⊥⊥W|Z,X （变量包括 W 、X 、 Y 、 Z ）

图1

三种条件下的答案如图1所示。第1个条件的情形是唯一的对撞结合，也就是V结构。根据之前学习的知识，对撞结合让 X 和 Z 独立，当以 Y 为条件时， X 和 Z 变为相关。第2个条件符合的结合不止一种。这三种结构被称为马尔可夫等价类（Markov Equivalence class）。

【定义】马尔可夫等价类：如果有向无环图 G 和 H 具有相同的d分离特性，那么 G 和 H 就是马尔可夫等价的，并且同属于一个马尔可夫等价类。如果 G 和 H 是马尔可夫等价的，那么它们具有相同的骨架（Skeleton）和V结构（也即对撞结构），反之亦然。

骨架的意思可以理解为不考虑箭头方向的连接结构。图1(i)和(ii)的四个图都共有相同的骨架。图1(ii)的三个图不仅具有相同的骨