因果推断（二）——混杂因子，D-分离，后门准则

上次已经和大家分享了因果推断中的贝叶斯相关知识，今天这部分和大家分享因果推断中的混杂因子，D-分离，后门准则的相关内容。

先上例子

以上一篇中的诺贝尔奖和巧克力的事件为例，下图是他们三者的因果图，从图中可以看出这是一个叉式结构，即A和C相关。但是他们的相关性是通过“经济，教育水平”关联的，他们之间是伪相关，而B就是混杂因子，是它造成了A和C之间的伪相关。从字面上也很好理解，是因为B的存在导致我们对A和C之间的因果关系产生了混乱。

下图这种形式B也是confunder，即混杂因子。这种情况下，我们想要去发掘A和C的因果关系时，需要去除混杂因子，因为A->C的因果关系和A<-B->C造成的伪相关混合在一起了。

为了能正确分析因果关系，我们需要消除混杂，伪相关。

条件独立与D-分离

在因果推断（一）中，我们介绍了三种结构。链式结构和叉式结构中的A和C相关都是因为B的存在，因此如果B是确定的某一个值，那么A和C就以B为条件独立了，即

。而对于对撞结构，刚好相反，在对撞结构中A和C是独立的，当B的值确定后，以B为条件，A和C就相关了。链式结构和叉式结构的比较好理解，对撞结构的可能会比较难理解，这里举个例子：

这个例子不一定符合事实，单纯为了理解这个结构。假设A为是否不运动，C为是否吃垃圾食品，B为是否肥胖。那么在对撞结构中，我们想要确定这个人是否肥胖需要知道他是否运动，以及是否吃垃圾食品。当知道B为肥胖时，如果我们知道A为不运动则可以推断出C为吃垃圾食品，即A和C在条件B下相关。而如果B的答案未知，那么A和C就没有关系，即是否运动和是否吃垃圾食品没有关系。

在因果关系领域，这种判断是否条件独立的方法被称为D-分离。

D-分离可以被定义为：假如链式结构的中间节点在节点集合E中，或者叉式结构的节点在节点集E中，或对撞结构的中间节点不在节点集合E中也不在其子孙节点中，则该路径被E节点D-分离了。如果A到C的每条路径都被E节点集合中的节点阻断了，则A和C被D-分离。

后门准则

消除伪相关的一种方法是采用后门准则。图2中A->C为前门路径，A<-B->C为后门路径。后门准则就是将A和C之间的后门路径都阻断，从而得到A和C之间真正的因果关系。

简单总结

形如叉式结构的容易造成伪相关，A<-B->C，A<-B<-D->C这两个结构中A和C之间都存在混杂，结合D-分离方法，第一个结构可以通过以B为条件消除混杂，第二个结构可以以B或D为条件消除混杂。在消除混杂的时候我们需要关注的是对于哪两个变量来说，即从第二个结构来说，如果我们以B为条件可以得到A和B<-D->C，A和C之间的伪相关是可以消除的，但是B和C之间貌似还存在着伪相关。因此伪相关的消除，我们需要关注是去消除哪两个变量之间的伪相关。

更多内容可以关注我的公众号“秋枫学习笔记”

因果推断（二）——混杂因子，D-分离，后门准则相关推荐

因果推断(二)-Causal effect 因果效应推理
1.因果效应推理定义套用一个发券和购买转化率的关系,已知发优惠券与购买转化率有因果关系,发优惠券是因,购买转化率是果,我们想知道,当发券的情况下,购买转化率会增加多少? 2.因果效应推理估计对象估 ...
因果推断笔记——自整理因果推断理论解读（七）
之前有整理过一篇:因果推断笔记-- 相关理论:Rubin Potential.Pearl.倾向性得分.与机器学习异同(二) 不过,那时候刚刚开始学,只能慢慢理解,所以这边通过一轮的学习再次整理一下手里 ...
因果推断会是下一个AI热潮吗？朱迪亚•珀尔新作《因果论》重磅上市！
从"大数据时代和机器学习热潮"到"第二次因果革命",从以数据为中心到数据理解的转变不仅涉及技术上的转变,还意味着更加深刻的范式转换. 因果关系理论与现有机器学习 ...
因果推断学习笔记（一）——反事实推理中的归因问题
文章目录前言一.问题描述二."必要性概率"PN的求解 1. 单调性情况下 2. 非单调性情况下三.案例分析总结前言考虑这样一个情景,A先生早晨来到工位上,边摘下口罩边 ...
因果推断——借微软EconML测试用DML和deepIV进行反事实预测实验（二十五）
文章目录 1 导言 1.1 KDD2021:盒马-融合反事实预测与MDP模型的清滞销定价算法 1.2 本篇想法 1.3 其他一些问题追踪 2 代码 2.1 数据生成 2.2 DML模型:有干预下的Y增 ...
因果推断与反事实预测——盒马KDD2021的一篇论文（二十三）
文章目录 1 已有研究者的描述 1.1 YuyangZhangFTD 1.1.1 Introduction 1.1.2 Problem Formulation 1.1.3 Counterfactual ...
因果推断笔记——因果图建模之Uber开源的CausalML（十二）
它提供了一个标准框架,允许用户从实验或观察数据估计条件平均治疗效果(CATE)或个人治疗效果(ITE).本质上,它估计了干预T对具有观察到的特征X的用户结果Y的因果影响,而没有对模型形式有很强的假设. ...
[因果推断] 倾向得分Propensity Score 原理(二)
目录一前置知识干预效果 Treatment Effect Randomized Controlled Trials(RCT) Observational Studies ATT Average ...
因果推断笔记——DR ：Doubly Robust学习笔记（二十）
文章目录 0 观测数据的估计方法 0.1 Matching 0.2 Propensity Score Based Methods 0.2.1 PSM 0.2.2 IPW 0.2.3 Doubly Ro ...

因果推断（二）——混杂因子，D-分离，后门准则

因果推断（二）——混杂因子，D-分离，后门准则相关推荐

最新文章

热门文章