因果关系基本概念：前门标准

阅读David Salazar的文章Causality: The front-door criterion后的笔记

---

为什么要前门标准

  在前面的文章中，我们知道，后门标准的作用是隔绝了我们不感兴趣的因果关系，只留下感兴趣的因果路径。但后门标准干涉的变量不一定是可观测的，比如混杂因子（见下图中红色混杂因子Genotype，另外，图中变量$M$就是下面讲的符合前门标准的变量）。这种情况下，可以使用前门标准（front-door criterion）进行估计。

前门标准应用

  前门标准应用前提是使用前门标准找到能干涉的可观测变量，当变量$M$满足如下条件，则是符合前门标准的变量（这也是前门标准的应用场景）：

• $M$截断了从$X$到$Y$的所有正向路径
• 没有从$X$到$M$的后门路径（也就是没有变量$Z$同时是$X$和$M$的祖先）
• 所有从$M$到$Y$的后门路径都被$X$截断了

  用吸烟$X$对癌症$Y$的影响举个例子，仍然看上图。当加入了观测变量$M$（肺部焦油量），可以在无法控制基因$U$的情况下估计吸烟对癌症的影响。前门标准就是把$X\to Y$的作用估计独立为$X\to M$和$M\to Y$两部分，随后合并得到最终结果。影响可以写为式(1)。
$$P(Y|do(X))=\sum _{M}P(Y|M,do(X))\times P(M|do(X))\text{\hspace{1em}(1)}$$
  对子式左半边进行解析。$P(Y|M,do(X))$中，$M$只受到$X$影响，因此无论对$M$取任何值$Y$的取值分布是不变的。所以，$P(Y|M,do(X))=P(Y|do(M),do(X))$。又由干涉定义，$P(Y|do(M),do(X))=P(Y|do(M))$，最终可写作式(2)。
$$P(Y|M,do(X))=P(Y|do(M),do(X))=P(Y|do(M))\text{\hspace{1em}(2)}$$
  回到干涉的本质（文章式(4)）：对干涉变量的条件变量（父变量）作随机化处理。因此，$P(Y|do(M))$可以写作式(3)。
$$P(Y|do(M))=\sum _{M}P(Y|X,M)\times P(X)\text{\hspace{1em}(3)}$$
  接下来对子式右半边进行解析。$P(M|do(X))$是没有混杂干扰的，因为对撞关系$Y$将间接的因果路径阻断了。因此$P(M|do(X))$可写作式(4)。
$$P(M|do(X))=P(M|X)\text{\hspace{1em}(4)}$$
  最终，我们得到了前门公式(5)。
$$P(Y|do(X))=\sum _{M}P(M|X)\sum _{X^{{}^{\prime }}}P(Y|M,X^{{}^{\prime }})\times P(X^{{}^{\prime }}))\text{\hspace{1em}(5)}$$

经验估计

  在回归模型中，我们可以通过前门标准使用平均处理效果（Average Treatment Effect，ATE）来估计因果效应。对应式(1)的两部分，可以写为两个方程(6)和(7)。
$$Y_i=\lambda +\delta M_i+\varphi X_i+v_i\text{\hspace{1em}(6)}$$
$$M_i=\kappa +\gamma X_i+w_i\text{\hspace{1em}(7)}$$
  则平均处理效果的估计为式(8)。
$$ATE=E[Y|do(X)]=\delta \times \gamma \text{\hspace{1em}(8)}$$

例子

  不再详述，有兴趣的读者可以移步原文。