后门准则(Backdoor Criterion)与前门准则(Frontdoor Criterion)
1.后门准则
定义:给定有向无环图(DAG)中一对有序变量(X,Y),如果变量集合Z(可以为空)满足:
- Z中没有X的后代节点。
- Z阻断了X与Y之间的每条含有指向X的路径。
满足以上两点的Z,就称Z满足关于(X,Y)的后门准则。
如果变量集合Z满足(X,Y)的后门准则,那么X对Y的因果效应可以由下面的公式计算。
证明如下:
一般而言,我们希望节点Z最好可以满足下面这些条件:
- 阻断X和Y之间的所有伪路径(即所有指向X的路径)。
- 保持所有X到Y的有向路径不变。
- 不会产生新的伪路径。(例如condition在collider或者其后代上,可能就会产生一条新的伪路径)。
下面展示一个简单的例子:
根据上述因果图,估计X对Y的因果效应。从图中可以看出,从X到Y有两条路径,第一条是X-M-Y,第二条是X-W-Y。我们想要估计X对Y的因果效应,就应该要阻断第二条路径。根据上面的后门准则,我们可以发现W满足后门准则,所以我们校正W(或者说Condition在W上),就可以得到X对Y的因果效应。前提是W必须是可观测的!
如果W是不可观测的,那么对于W还可以使用后门准则吗?答案是否定的,因为我们无法观测到W,所以无法阻断X-W-Y这条路径,也就无法消除Confounding association,此时association就不是causation.
2.前门准则
定义:如果一个变量集合Z满足以下条件:
- Z切断了所有X到Y的有向路径。
- X到Z没有后门路径。
- 所有Z到Y的后门路径都被X阻断。
则称变量集合Z满足有序变量(X,Y)的前门准则。
如果Z满足变量对(X,Y)的前门准则和Positivity(即),那么X对Y的因果效应是可识别的,且由下式计算:
假设我们有一个这样的因果图:
证明如下:
对于上面的图,即使W是不可观测的,那么我们依然可以使用前门准则,估计X对于Y的因果效应。
但是有些情况,前后门准则都可能无法使用,例如下面这种情况。
因为W1和W2都是无法观测的,无论你使用前门准则还是后门准则,其T对于Y的因果效应总是无法正确估计的。对于这种情况,我们可以使用unconfounded children criterion或者do-calculus来正确估计。这两种方法就不再这里说了,感兴趣的可以自己去看看。
地址为:https://www.bradyneal.com/Introduction_to_Causal_Inference-Dec17_2020-Neal.pdf,在第六章可以看到。
后门准则(Backdoor Criterion)与前门准则(Frontdoor Criterion)相关推荐
- 企业会计准则2020版pdf_企业会计准则及应用指南(2017版)
目录 企业会计准则--基本准则(2014年修订) 企业会计准则第1号--存货(2006) 企业会计准则第2号--长期股权投资(2014修订) 企业会计准则第3号--投资性房地产(2006) 企业会计准 ...
- 通信原理学习笔记6-4:数字解调——抽样判决的译码准则(最大后验概率准则MAP、最大似然准则ML、最小二乘/最小平方准则LS、最小距离准则)
判决译码 在无ISI时,任意位置nnn上的一个符号InI_nIn,经过AWGN信道.匹配滤波器.采样后,得到符号YnY_{n}YnYn=In+nnY_{n}=I_{n}+n_{n}Yn=In+ ...
- 【数据异常校验】拉依达准则( PauTa Criterion 或 3σ准则) 处理异常数据
拉依达准则是指先假设一组检测数据只含有随机误差,对其进行计算处理得到标准偏差,按一定概率确定一个区间,认为凡超过这个区间的误差,就不属于随机误差而是粗大误差,含有该误差的数据应予以剔除. 这种判别处理 ...
- 【迫零准则】基于迫零准则的自适应线性均衡器的MATLAB仿真
0.完整源码获得方式 方式1:微信或者QQ联系博主 方式2:订阅MATLAB/FPGA教程,免费获得教程案例以及任意2份完整源码 1.软件版本 MATLAB2013b 2.本算法理论知识 在数字通信系 ...
- 肖维勒准则matlab_莱因达 ( PauTa)准则、格拉布斯 ( Grubbs)准则、肖维纳 (Chauvenet)准则 三者的区别...
展开全部 1.检测数量不同32313133353236313431303231363533e78988e69d8331333431363566 莱因达准则是以三倍测量列的标准偏差为极限取舍标准,其给定 ...
- grubbs准则 matlab_莱因达 ( PauTa)准则、格拉布斯 ( Grubbs)准则、肖维纳Chauvenet 三者的区别...
莱因达 ( PauTa)原则.格拉布斯 ( Grubbs)原则.肖维纳 (Chauvenet)原则 三者的区别 莱因达 ( PauTa)原则.格拉布斯 ( Grubbs)原则.肖维纳 (Chauven ...
- 计算机术语表达因果,因果推断简介之五:因果图 (Causal Diagram)
原标题:因果推断简介之五:因果图 (Causal Diagram) 编辑部于2019年10月在微信端开启<朝花夕拾>栏目,目的是推送2013年(含)之前主站发表的优秀文章,微信端与主站的同 ...
- DAG,PDAG,CPDAG定义
DAG:有向无环图 PAG的解释: 参考链接: 因果分析,PC算法(PC Algorithm)_lovelife110的博客-CSDN博客_因果分析算法转载:https://github.com/Re ...
- 因果性与因果模型 | 中国人民大学哲学与认知科学明德讲坛
来源:中国人民大学哲学与认知科学明德讲坛第25期<因果性与因果模型>文字稿 主持人:袁园 嘉宾:张双南.李伟.朱锐 主办:中国人民大学哲学与认知科学跨学科交叉平台.服务器艺术 协 ...
最新文章
- 一种精确从文本中提取URL的思路及实现
- 通过自定义ISAPI Filter来禁止敏感文件的访问
- python中options设置_如何在AngularJS的ng-options中设置value属性?
- linux fedora yum安装docker-ce
- 新年快乐!我爱计算机视觉干货集锦与新年展望
- 详解MRS CDL整体架构设计
- python3 ftp服务器_python3实现ftp服务功能(服务端 For Linux)
- 为什么强烈不推荐使用stop、suspend方法来中断线程?
- ORA-07445ORA-00108错误案例
- 【完全背包】自然数拆分Lunatic版
- pythonqq机器人酷q_NoneBot+酷Q,打造QQ机器人
- Java的发展 Java在不同系统下的开发环境 Java语言特性 Java实现跨平台
- AndroidStudio入门基础(一)——基础布局
- OneDNS终端网络安全接入服务原理解析
- minigui之显示gif
- java flappy bird_Java实例---flappy-bird实例解析
- 《大话脑科学》之:熟练掌握十门外语之从入门到放弃之语言相关ERP
- python 日志中最亮的仔,是喜欢的花里胡哨吖...
- Linux编辑器-gcc/g++使用
- STM32+ESP8266+MQTT微信小程序SoftAP一键配网接入腾讯物联网平台
热门文章
- android studio 横向拖动条,Android HorizontalScrollView内子控件横向拖拽实例代码
- win8 linux分区工具,Win8分区工具
- 关于log4j:WARN No appenders could be found for logger (org.apache.hadoop.metrics2.lib.MutableMetricsFa
- 安卓手机测评_民宿预订Airbnb、途家民宿、小猪、木鸟短租、蚂蚁短租五大平台测评...
- 安卓电子书格式_纯干货|提升电子书阅读体验的四点感受
- Cosine Similarity 与 L2distanse
- 记以ELK结合的Web日志数据采集心得整理
- 机器学习(7)——安然数据集分析
- job用法 Java_JOB 用法小结
- 单目标应用:白鲸优化算法(Beluga whale optimization,BWO)优化双向长短时记忆BiLSTM的权值和阈值(提供MATLAB代码)