Skip to main content

Chapter_6

Aaron L9/17/25About 9 minCausal inferenceDeepSeek-R1-0528-1stresponse_md
### 第6章：因果效应的图形表示 **核心目标**：引入因果图（Causal Diagrams）作为工具，直观表示因果结构和假设，解决复杂场景中的因果推断问题。

6.1 因果图（Causal Diagrams）

技术重点：

  1. 定义与结构：

    • 因果图是有向无环图（Directed Acyclic Graph, DAG），节点（Nodes）表示随机变量（如治疗 (A)、结局 (Y)、协变量 (L)），边（Edges）表示直接因果效应。
    • 关键特性：
      • 有向性：箭头方向表示因果方向（如 (L \to A) 表示 (L) 可能引起 (A)）。
      • 无环性：无循环路径（变量不能直接或间接导致自身）。
    • 示例（图6.1）：
      • 变量：(L)（疾病严重程度）、(A)（心脏移植）、(Y)（死亡）。
      • 路径：(L \to A)（疾病影响移植概率），(A \to Y)（移植影响死亡），(L \to Y)（疾病直接影响死亡）。

  2. 因果DAG的正式定义（Technical Point 6.1）：

    • 因果马尔可夫假设（Causal Markov Assumption）：给定直接原因（父节点），变量独立于其非后代。
    • 联合密度分解：

      f(v)=∏j=1Mf(vj∣paj)f(v) = \prod_{j=1}^{M} f(v_j | \text{pa}_j)

      其中 (\text{pa}_j) 是 (V_j) 的父节点集合。
    • 因果DAG三条件：
      1. 缺失箭头 (\Rightarrow) 无直接因果效应。
      2. 所有共同原因（含未测量变量）需包含在图中。
      3. 变量是其后代的因。

  3. 应用场景：

    • 观察性研究（图6.1）：需假设 (L) 是 (A) 和 (Y) 的唯一共同原因（对应条件可交换性 (Y^a \perp!!!\perp A \mid L)）。
    • 随机实验（图6.2）：若 (A) 的分配与 (L) 无关（边际随机），则无需包含 (L)。

6.2 因果图与边际独立性

技术重点：

  1. 关联来源：

    • 直接因果：(A \to Y) 导致关联（图6.2）。
    • 共同原因：(A \leftarrow L \to Y) 导致关联（图6.3）。
    • 共同效应（碰撞点 Collider）：路径 (A \to L \leftarrow Y) 被阻塞，(A) 与 (Y) 边际独立（图6.4）。

  2. 图形规则：

    • 路径开放条件：无碰撞点或碰撞点未被条件化。
    • 示例：
      • 吸烟（(L)）是携带打火机（(A)）和肺癌（(Y)）的共同原因 (\Rightarrow A) 与 (Y) 关联。
      • 单倍型（(A)）与吸烟（(Y)）共同导致心脏病（(L)，碰撞点）(\Rightarrow A) 与 (Y) 独立。

6.3 因果图与条件独立性

技术重点：

  1. 条件化影响：

    • 中介变量：条件化 (B)（如血小板聚集）阻断路径 (A \to B \to Y)，导致 (A \perp!!!\perp Y \mid B)（图6.5）。
    • 共同原因：条件化 (L)（如吸烟）阻断 (A \leftarrow L \to Y)，导致 (A \perp!!!\perp Y \mid L)（图6.6）。
    • 碰撞点：条件化 (L)（如心脏病）打开路径 (A \to L \leftarrow Y)，导致 (A) 与 (Y) 条件关联（图6.7）。

  2. d-分离规则（Fine Point 6.1）：

    • 路径阻断条件：
      1. 含非碰撞点且被条件化。
      2. 含未条件化且无后代被条件化的碰撞点。
    • 定理：若 (A) 与 (Y) d-分离给定 (C)，则 (A \perp!!!\perp Y \mid C)（需因果马尔可夫假设）。

6.4 正性与一致性在因果图中

技术重点：

  1. 隐含假设：
    • 正性（Positivity）：图中默认成立（除非箭头 (L \to A) 为粗体，表示 (A) 是 (L) 的确定性函数）。
    • 一致性（Consistency）：治疗节点 (A) 需对应明确定义的干预（如“减肥”需指定具体方式，图6.10）。
  2. 治疗节点的特殊性：
    • 与其他节点区分，需确保干预的明确性（如“肥胖”不宜作为治疗节点）。

6.5 偏倚的结构分类

技术重点：

  1. 系统偏倚（Systematic Bias）：
    • 来源：
      • 混杂（Confounding）：共同原因导致关联（如 (L) 影响 (A) 和 (Y)）。
      • 选择偏倚（Selection Bias）：条件化共同效应（碰撞点）引入关联。
      • 测量偏倚（Measurement Bias）：变量误差（第9章）。
    • 零偏倚（Bias Under the Null）：即使无因果效应（(Pr[Y^{a=1}] = Pr[Y^{a=0}])），仍存在关联（如表3.1）。

6.6 效应修饰的结构

技术重点：

  1. 效应修饰类型：
    • 因果效应修饰：变量 (V)（如医疗质量）直接影响 (Y) 且修饰 (A) 的效应（图6.12）。
    • 代理效应修饰：变量 (S)（如治疗成本）与 (V) 关联，但本身不影响 (Y)（图6.14）。
  2. 图形局限性：
    • DAG不区分效应修饰的异质性（如效应方向或是否存在效应）。
    • 代理修饰可通过共同原因（图6.15）或条件化（图6.16）关联真实修饰因子。

结论

  1. 因果图的核心作用：
    • 将因果假设可视化，辅助识别关联来源（直接因果、混杂、选择偏倚）。
    • 通过d-分离规则推导条件独立性，指导数据分析（如选择调整变量）。
  2. 与反事实理论的联系：
    • 因果图对应潜在结果模型（如NPSEM-IE或FFRCISTG，见Technical Point 6.2–6.3）。
    • SWIG图（第7章）将统一图形与反事实框架。
  3. 关键局限：
    • 未直接编码正性、效应修饰异质性。
    • 治疗节点需明确定义干预，避免模糊性（如“减肥”需指定方式）。

下一步：第7章将深入讨论混杂偏倚的图形识别与调整方法。