聚类因果图不改变可识别性！新方法锁定c-成分条件，推断不再出错
Invariance of Clustering Operations in Causal Effect Identification
📖 AI 总结
该论文研究因果图模型中变量聚类操作对因果效应可识别性的影响。聚类变量虽能缩小图规模、简化因果推断，但任意聚类可能改变变量间的关键因果 relations，导致错误结论。作者指出，在温和条件下，聚类图中因果效应的可识别性可推出原图的可识别性，但反之不成立——聚类图中的不可识别性并不能推出原图的不可识别性，除非附加额外假设。当可识别性与不可识别性同时得以保持时，该聚类操作被称为“可识别性不变”。基于原图 c-components 的相关条件，论文提出了一类广泛的可识别性不变聚类操作，并展示了其在实际场景中的应用。这一结果为因果推断中安全地简化图结构提供了理论依据。
🔑 关键词速览
| 因果效应可识别性 | 指能否仅从观测数据和因果图结构唯一确定因果效应的大小。 |
| 聚类操作 | 将因果图中的多个变量合并为一个变量，以简化图结构的方法。 |
| 可识别性不变 | 聚类操作保持原图中因果效应的可识别性与不可识别性均不变的性质。 |
| c-成分 | 因果图中通过有向路径和双向边（潜在混杂）连通的最大节点集合，用于刻画混杂结构。 |
| 因果图 | 用节点表示变量、边表示因果关系的图形模型，常用于因果推断。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅