Skip to main content

Chapter_6

Aaron L9/17/25About 7 minCausal inferenceDeepSeek-R1-0528response_md
### 第6章：因果效应的图形表示

6.1 因果图

子章节内容
因果图（有向无环图，DAG）用于表示变量间的因果关系。节点代表随机变量（如 (L)、(A)、(Y)），边（箭头）表示直接因果效应。例如，图6.1中：

  • (L)（疾病严重程度）→ (A)（心脏移植）→ (Y)（死亡），时间从左向右流动。
  • 箭头存在表示至少一个个体存在直接因果效应（如 (L \to A) 表示疾病严重程度影响移植概率）。
  • 无箭头表示无直接因果效应（如 (A) 和 (Y) 之间无直接箭头时，(A) 对 (Y) 无直接效应）。
  • DAG不区分效应方向（有害/保护性）或交互作用。

技术重点（Technical Points）

  • 核心理论：
    • 因果DAG需满足：
      1. 无箭头表示无直接因果效应；
      2. 所有共同原因（即使未测量）均在图中；
      3. 变量是其后代的因。
    • 因果马尔可夫假设：给定直接原因（父节点），变量独立于其非后代。
  • 关键公式：
    • 马尔可夫因子化：

      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。
  • 重要概念：
    • 因果DAG：编码因果结构，需与数据关联（因果马尔可夫假设）。
    • 条件随机实验 vs 边际随机实验：
      • 图6.1（含 (L)）表示条件随机实验（(L) 是 (A) 和 (Y) 的共同原因）；
      • 图6.2（无 (L)）表示边际随机实验（(A) 随机分配）。
  • 应用场景：
    • 观察性研究中，图6.1等价于条件可交换性 (Y^a \perp!!!\perp A | L)。

细节要点（Fine Points）

  • 案例分析：
    • 心脏移植研究中，若移植概率依赖疾病严重程度（(L)），则 (L) 必须包含在图中（共同原因）。
  • 辅助信息：
    • 图形方法直观，但需与反事实模型关联（如SWIGs，第7章介绍）。
  • 相关背景：
    • 现代因果图理论源于计算机科学（Pearl 2009; Spirtes等 2000）。

6.2 因果图与边际独立性

子章节内容
因果图可推断变量间的关联：

  • 关联来源：
    1. 直接因果（如 (A \to Y)）；
    2. 共同原因（如 (A \leftarrow L \to Y)）；
    3. 共同效应（如 (A \to L \leftarrow Y)，但仅当以 (L) 为条件时关联）。
  • 关键规则：
    • 碰撞点（collider，如 (L)）默认阻断关联路径（如 (A) 和 (Y) 独立）。

技术重点（Technical Points）

  • 核心理论：
    • 边际关联条件：
      • 若 (A) 导致 (Y) 或共享共同原因，则 (A) 和 (Y) 关联；
      • 否则边际独立（如无路径或仅碰撞点路径）。
  • 重要概念：
    • 碰撞点（Collider）：两箭头指向同一节点（如 (A \to L \leftarrow Y)），阻断关联流动。
  • 应用场景：
    • 阿司匹林实验（图6.2）：(A \to Y) 存在因果，故关联。
    • 打火机与肺癌（图6.3）：(A) 和 (Y) 无直接因果，但通过吸烟（(L)）关联。
    • 单倍型与吸烟（图6.4）：(A) 和 (Y) 独立（唯一路径被 (L) 阻断）。

细节要点（Fine Points）

  • 案例分析：
    • 打火机携带者（(A=1)）更可能吸烟（(L=1)），故与肺癌（(Y)）虚假关联。
  • 辅助信息：
    • 关联流动对称，与因果方向无关。

6.3 因果图与条件独立性

子章节内容
条件独立性通过阻断路径实现：

  • 阻断规则：
    • 以非碰撞点变量为条件（如 (B) 或 (L)）阻断路径；
    • 以碰撞点或其后代为条件（如 (L) 或 (C)）打开路径。

技术重点（Technical Points）

  • 核心理论：
    • d-分离（d-separation）：
      • 路径阻断条件：
        1. 含被调节的非碰撞点；
        2. 含未调节（且无调节后代）的碰撞点。
      • 若所有路径阻断，则变量条件独立。
  • 关键公式：
    • 条件独立性：(A \perp!!!\perp Y | B)（图6.5），(A \perp!!!\perp Y | L)（图6.6）。
  • 应用场景：
    • 分层分析：以共同原因 (L) 为条件可消除混杂（图6.6）。

细节要点（Fine Points）

  • 案例分析：
    • 阿司匹林研究（图6.5）：以血小板聚集 (B) 为条件，(A) 和 (Y) 独立（效应仅通过 (B)）。
    • 单倍型研究（图6.7）：以心脏病 (L) 为条件，(A) 和 (Y) 虚假关联（碰撞点被打开）。
  • 辅助信息：
    • 调节共同效应（如 (L)）引入选择偏倚（第8章详述）。

6.4 因果图中的正性和一致性

子章节内容
因果图隐含正性和一致性假设：

  • 正性（Positivity）：
    • 处理变量 (A) 的所有层需有观察数据（图中未显式编码）。
  • 一致性（Consistency）：
    • 箭头 (A \to Y) 需对应明确定义的干预（如体重减轻需指定方式）。

技术重点（Technical Points）

  • 核心理论：
    • 处理节点特殊地位：
      • 父节点影响正性（如 (L \to A)）；
      • 子节点需明确定义干预（如 (A \to Y)）。
  • 重要概念：
    • 决策图（Influence Diagrams）：显式包含干预节点（未采用）。
  • 应用场景：
    • 体重减轻研究（图6.10）：干预方式（节食/运动）影响效应解释。

细节要点（Fine Points）

  • 案例分析：
    • 若 (A)（体重减轻）通过不同机制（如 (Z) 或 (L)）影响 (Y)，则效应定义模糊。
  • 辅助信息：
    • 非处理变量（如肥胖）不宜作为处理节点（第3章）。

6.5 偏倚的结构分类

子章节内容
系统偏倚（无限样本仍存在）分类：

  1. 混杂偏倚：处理与结局有共同原因（第7章）；
  2. 选择偏倚：调节共同效应（第8章）；
  3. 测量偏倚：变量误差（第9章）。

技术重点（Technical Points）

  • 核心理论：
    • 零假设下偏倚：
      • 混杂和选择偏倚可致关联（即使因果效应）。
  • 重要概念：
    • 可交换性缺失：导致关联 ≠ 因果效应。
  • 应用场景：
    • RCT和观察性研究均可能偏倚（如损耗、非依从）。

细节要点（Fine Points）

  • 辅助信息：
    • 因果发现（Fine Point 6.3）：需忠实性假设，从数据推断结构。

6.6 效应修饰的结构

子章节内容
效应修饰变量（如 (V)）在因果图中：

  • 类型：
    • 因果修饰因子（直接影响结局，如医疗质量 (V)）；
    • 代理修饰因子（与因果修饰因子关联，如成本 (S)）。
  • 限制：
    • 因果图不区分修饰类型（如定性/定量修饰）。

技术重点（Technical Points）

  • 核心理论：
    • 代理修饰因子：通过共同原因、共同效应或因果链与因果修饰因子关联。
  • 应用场景：
    • 心脏移植研究（图6.12）：(V)（医疗质量）修饰 (A) 对 (Y) 的效应。

细节要点（Fine Points）

  • 案例分析：
    • 分层分析中，成本（(S)）可能代理医疗质量（(V)），导致虚假修饰解释。
  • 辅助信息：
    • 交互作用需充分原因表示（第5章）。

逻辑关联性

本章引入因果图作为基础，后续章节（第7-9章）将基于此讨论混杂、选择和测量偏倚。图形规则（如d-分离）为调整策略提供理论支持，与反事实模型（如SWIGs）互补。