因果图模型与d-分离

一、图模型

一般图都是由链结构(chain)、分叉结构(fork)、对撞结构(collider)这三种结构所组成，通过组合这三种结构，可以形成复杂图模型。

下面分别介绍这三种结构，以及对应的Rule.

1、链结构(Chain)

下图就是一个基本的链结构，在这个结构中X是Y的原因，Y是Z的原因。假设图中的误差项都是独立的（图中没画出误差项），可以认为X与Y，Y与Z，X与Z很可能是依赖的，注意是可能而不是一定。从直觉上来说，X是Y的原因，Y是Z的原因，那么X与Y，Y与Z一般是具有相关性的，同意，因为Y是Z的原因，那么很直觉的可以认为X也Z的原因，即X与Z也很可能是相关的。

当condition在Y上时，X与Z也可以是独立的。举个例子:

当condition在Y上时，Y不变，无论X值为多少， Z都不会受到X值改变的影响，即Z与X是独立的。

由上述所述，可以得到一个关于链结构的条件独立性的Rule。

Rule 1:如果变量X与Y之间只有一条单向路径，Z是截断这条路径的任何一组变量，则在Z的条件下，X与Y是独立的。(假设误差项都相互独立时才成立）

注意：上面的Z表示一组变量，即可以有很多个，比如下图：

在上图中Z就是{Y1，Y2，Y3}。

2、分叉结构(fork)

分叉结构如下图所示（误差项Ux,Uy,Uz是相互独立）：

由上图可得

1. X与Y可能是相互依赖的
2. X与Z可能是相互依赖的
3. Y与Z可能是相互依赖的
4. Y与Z在X的条件下是独立的。

第1,2点都很好理解，因果它们之间有直接的边相连，所以肯定是相关的。如何理解第三点呢，因为X是Y与Z共同的原因，那么当X发生变化的时候，Y与Z可能一起发生变化也或者一起不变。总之，当我们观察到Y发生变化时，那么Z 也必然会发生某种变化，所以Y与Z可能是相关的。

对于第四点，为什么在X的条件下，Y与Z是独立的呢？假设我们固定了X值，那么Y与Z的值就不会随X的变化而变化，只会随着其对应的误差项的变化而变化，而Uy与Uz是相互独立的，所以Y与Z也是相互独立的。

由上述可得关于分叉结构(fork)的Rule：

Rule 2:如果变量X是变量Y与变量Z的共同原因，并且Y和Z之间只有一条路径，则Y和Z在X的条件下独立。(假设误差项都相互独立时才成立）

3、对撞结构(Collider)

对撞结构图示如下：

由上图可得

1. X与Y可能是相互依赖的
2. X与Z可能是相互依赖的
3. Y与Z是相互独立的
4. Y与Z在X的条件下是相互依赖的。

第1、2点都很好理解，因为它们之间有边相连接。对于第三点，从直觉上也很好理解，Y与Z都是X的原因，但是Y与Z之间并没有什么关系，没有依赖于同一个变量，它们只是分别受Uy,Uz的影响，而Uy，Uz是相互独立的，所以Y与Z是相互独立的。

对于第四点，如何理解呢？因为X的值依赖于Z与Y，那么当我们固定了X的值的时候，当Z或者Y中任意一个发生变化时，另外一个变量都应该发生相应的变化，去抵消另一个变量变化所带来的改变。所以Y与Z在X的条件下是相互依赖的。举个例子：

当X=Z+Y 时，且Z与Y是独立的变量，当我们知道X的值的时候，我们并不知道有关Z与Y的信息，但是若告诉你X=10，Z=3，那么我们就可以确定Y=7，所以说，当确定了X的值的时候，Z与Y的取值是相互依赖的。

由上述可得关于对撞结构的Rule.

Rule 3:如果变量Z是变量X与Y之间的对撞节点，并且X与Y之间只有一条路径，那么X与Y是无条件独立的，但是在Z或Z的任何子孙条件下是相互依赖的。(假设误差项都相互独立时才成立）

 

二、d-分离

d-分离的定义为：如果一条路径被一组节点Z阻断，当且仅当：

1.路径p包含链结构A->B->C,或分叉结构A<-B->C，且中间节点B在Z中（即以B为条件）；或者

2.路径p包含一个对撞结构A->B<-C，且对撞节点B及其子孙节点不在Z中。（以对撞节点为条件时，会解除阻断）

如果Z阻断了X和Y之间的每一条路径，则X和Y在Z的条件下是d-分离的。（即X与Y是以Z为条件独立的）

上述定义中所述的路径是无方向的，即不考虑边的方向性，只要两个变量之间是可达的，就算是路径。

在上图中，可以看出Z与Y是无条件独立的，因为它们之间只有一条路径即,Z->W<-X->Y，并且该路径被一个对撞结构（Z->W<-X）阻挡，所以它们之间没有一条未被阻挡的路径，所以是d-分离的。

当我们以W为条件时，结果就改变了，Z与Y就变为相互依赖的了，因为对撞节点W在条件集中，而分叉节点X并不在条件集中，所以Z与Y之间的路径就未被阻挡，所以Z与Y是d-连通，即相互依赖的。

当把X加进来后，Z与Y又变成相互独立了，因为分叉节点X把路径又阻断了。

结束语：以上就是最近看完《Causal inference in Statistics：A primer》第二章的一个小结，总结的不好请见谅。

参考资料：

《Causal inference in Statistics：A primer》