因果推断 - 干预

版权：转载前请联系作者获得授权。
声明：部分内容出自因果关系之梯，已获得原作者授权。
参考书籍：《The Book of Why》——Judea Pearl

基础知识

干预

定义：将因果图中结点$X$的值修改为$x$，记为$do(X=x)$，可以简写为$do(x)$。

性质：在对结点X进行干预时，会删除因果图中指向X的边。

与“以变量为条件”的区别：

1. 表现形式：$P(Y=y|X=x)$ vs $P(Y=y|do(X=x))$
2. “以变量为条件”是从不同的角度看世界，“干预”是改变世界。
3. “以变量为条件”不改变原始数据的分布，“干预”改变了原始数据的分布。
   
   

前门准则、后门准则

• 后门路径：节点X和节点Y之间，以指向X的箭头为开始的路径。如：X <- Z -> Y。
• 前门路径：节点X和节点Y之间，以由X指出的箭头为开始的路径。如：X -> Z -> Y。
• 后门标准（后门准则）：如果变量集Z满足：① 不包含X的子孙节点；② 阻断了X到Y的所有后门路径。则称Z满足(X, Y)的后门准则。
• 前门标准（前门准则）：如果变量集Z满足：① 阻断了X到Y的所有路径；② X到Z之间没有未阻断的路径（X到Z不存在后门路径）；③ Z到Y之间的所有后门路径都被X阻断。则称Z满足(X, Y)的前门准则。
  
  

后门调整

后门调整：基于后门路径，消除干预带来的$do$算子，仅使用已知的数据分布，估计变量之间的因果效应，实现干预。

通过辛普森悖论推导后门调整公式：

介绍：有一种药物，对于男士群体而言，使用该药物后，发病率会降低。同时，对于女士群体而言，使用该药物后，发病率也会降低。但是，对男女人群一起统计，会发现，发病率升高。

原因：$\frac{A}{B}>\frac{a}{b}and\frac{C}{D}>\frac{c}{d}$不能推出$\frac{A+C}{B+D}>\frac{a+c}{b+d}$

例子：

性别 \ 是否服药	服药	未服药
男（357 / 700 = 0.51）	81 / 87 = 0.93	234 / 270 = 0.87
女（343 / 700 = 0.49）	192 / 263 = 0.73	55 / 80 = 0.69
总数 700	273 / 350 = 0.78	289 / 350 = 0.83

我们使用$X=1$表示服药，$X=0$表示未服药，$Y=1$表示发病的概率，$Y=0$表示未发病的概率。

从数据中可以看出，$P(Y=1|X=1)=0.78<P(Y=1|X=0)=0.83$，也就是：服药后，发病率反而增加了！

但是，在固定性别时，数据显示服药后，发病率是降低的！难道说，如果我知道自己的性别，就服药，不知道自己的性别，就不服药？这显然很荒谬。

其实，造成上述现象的原因，是因为存在混杂因子“性别”。因为，男性和女性的服药比例是显然不同的。依此可以画出因果图：

为了分析此药物是否真的有效，我们使用干预的手段，验证$P(Y=1|do(X=0))>P(Y=1|do(X=1))$，则说明药物可以降低发病率。

上文中提到，对X进行干预时，需要在因果图中删除指向X的边，于是，因果图变为了：

使用$P_m$表示修改因果图后的概率分布，则：

$\begin{array}{rl}P(Y=y|do(X=x))& =P_m(Y=y|X=x)\\ & =\sum _z{P}_m(Y=y|X=x,Z=z)P_m(Z=z|X=x)\\ & =\sum _z{P}_m(Y=y|X=x,Z=z)P_m(Z=z)\\ & =\sum _{z}P(Y=y|X=x,Z=z)P(Z=z)\end{array}$
根据数据可以计算出$P(Y=1|do(X=1))=0.832>P(Y=1|do(X=0))=0.781$

即：通过干预的手段，消除性别混杂后，说明服用药物确实可以降低发病率。

由此，我们可以得到后门调整公式：

$P(Y=y|do(X=x))={\sum }_{z}P(Y=y|X=x,Z=z)P(Z=z)$

其中，$Z$满足$(X,Y)$的后门准则，即：以$Z$为条件会阻断$X$和$Y$之间的所有后门路径。

逆概率加权

逆概率加权是后门调整的进一步推广，利用贝叶斯公式对后门调整公式变换了一下形式。

还是针对辛普森悖论：

$\begin{array}{rl}P(Y=y|do(X=x))& =\sum _{z}P(Y=y|X=x,Z=z)P(Z=z)\\ & =\sum _z\frac{P(Y=y|X=x,Z=z)P(Z=z)P(X=x|Z=z)}{P(X=x|Z=z)}\\ & =\sum _z\frac{P(Y=y,X=x,Z=z)}{P(X=x|Z=z)}\end{array}$

由此，我们可以得到逆概率加权公式：

$P(Y=y|do(X=x))={\sum }_z\frac{P(Y=y,X=x,Z=z)}{P(X=x|Z=z)}$

其中，$Z$满足$(X,Y)$的后门准则。

前门调整

前门调整：基于前门路径，消除干预带来的$do$算子，仅使用已知的数据分布，估计变量之间的因果效应，实现干预。

首先，介绍因果推断中的三条公理（出自《为什么》书中209页）：

1. 若变量W和Y无关，则：$P(Y|do(X),Z,W)=P(Y|do(X),Z)$
2. 若Z阻断了(X, Y)之间的所有后门路径，则：$P(Y|do(X),Z)=P(Y|X,Z)$
3. 若X到Y没有因果路径，则：$P(Y|do(X))=P(Y|X)$

下面，通过吸烟致癌案例推导前门调整公式：

如上图所示，我们想要分析X对Y的直接影响，需要消除混杂U。但是此时无法借助后门调整公式，因为U的数据无法通过观测得到。

不过，我们可以通过全概率公式和因果推断的三条公理，尝试推断X对Y的因果效应$P(Y|do(X))$。

$\begin{array}{rl}P(Y|do(X))& =\sum _{Z}P(Y|do(X),Z)P(Z|do(X))全概率公式\\ & =\sum _{Z}P(Y|do(X),do(Z))P(Z|do(X))公理2\\ & =\sum _{Z}P(Y|do(X),do(Z))P(Z|X)公理2（Z=\varnothing )\\ & =\sum _{Z}P(Y|do(Z))P(Z|X)公理3\\ & =\sum _{X^{‘}}\sum _{Z}P(Y|do(Z),X^{{}^{\prime }})P(X^{{}^{\prime }}|do(Z))P(Z|X)全概率公式\\ & =\sum _{X^{‘}}\sum _{Z}P(Y|Z,X^{{}^{\prime }})P(X^{{}^{\prime }}|do(Z))P(Z|X)公理2\\ & =\sum _{X^{‘}}\sum _{Z}P(Y|Z,X^{{}^{\prime }})P(X^{{}^{\prime }})P(Z|X)公理3\end{array}$
至此，公式中已经没有$do$算子啦！这里的$X^{{}^{\prime }}$代表的也是变量$X$，只不过$X^{{}^{\prime }}$需要遍历取值，和特定的$X$做运算。

由此，我们可以得到前门调整公式：

$P(Y=y|do(X=x))={\sum }_{x^{\prime }}{\sum }_{z}P(Y=y|X=x^{{}^{\prime }},Z=z)P(X=x^{{}^{\prime }})P(Z=z|X=x)$

其中，$Z$满足$(X,Y)$的前门准则。