3. Cause Effect Models

Chapter 3: Cause-Effect Models¶

SCM 的记号¶

假设有如下这样一个 SCM

\[ \begin{align} C &:= N_C \\ E &:= f_E(C, N_E) \end{align} \]

所以如果\(N_E\)的值确定，为\(n_E\)时，\(E=f_e(C, n_e)\)是唯一确定的
如果记\(C\)和\(E\)的取值范围是\(\mathcal{C}\) 和\(\mathcal{E}\)，那么可以将\(N_E\)的取值空间看作是\(C\mapsto E\)的函数，即\(E=n_E(e)\)

Intervention和 Counterfactual 的不同¶

假设\(C\)和\(E\)都是二值的，即\(\mathcal{E}=\mathcal{C}=\{0, 1\}\)，那么\(N_E\)的取值范围是\(\{\mathbf{0}, \mathbf{1}, ID, NOT\}\)，即恒为 0，恒为 1，全等和取反。假设现在有两个不同的\(P_{N_E}\)，其中\(P_{N_E}^1\)有一半一半的概率是\(\mathbf{0}\)和\(\mathbf{1}\)，\(P_{N_E}^2\)有一半一半的概率是\(ID\)或者\(NOT\)。那么此时两者有相同的边缘概率，\(P_{E|C=0}\)和\(P_{E|C=1}\)，都是 50%概率的伯努利分布。而因为\(C\)是\(E\)的原因，所以\(P_{E|do(C)}\)和\(P_{E|C}\)总是恰好相等的。也就是说，不论做什么干预，都不影响\(E\)的分布。但是显然\(P_{N_E}^1\)和\(P_{N_E}^2\)的反事实是不一样的。对于前者，如果\(C\)取了不同的值，\(E\)的值不会变化，而后者则会变化。
我理解这里的区别在于噪声项\(N_E\)是否已经确定了，在反事实中，\(N_E\)的分布已经不是先验的P_{N_E}了
以上分析说明，两个不同的 SCM 可能导致相同的 interventional distribution。此外，两个不同的 SCM 还能导致相同的 counterfactual distribution。
对\(E := f_E(C, N_E)\)中的\(N_E\)进行重参数化显然不影响\(E\)的分布，所以假设有一个\(N_E\)取值范围上的一一映射\(g\)，我们定义\(\tilde{N_E}=g(N_E)\)，那么\(E := f_E(C, N_E)=f_E(C, \tilde{N_E})\)

Problems¶

Problem 3.6¶

Problem:
Given that

\[ \begin{align} C := N_C \\ E := 4\cdot C + N_E \\ N_C, N_E\stackrel{i.i.d.}{\sim}\mathcal{N}(0, 1) \end{align} \]

Show that \(P_{C|E=2}\) follows Gaussian distribution.
Solution:
根据贝叶斯公式

\[ p_{C|E=2}=\frac{p(E=2|C)p(C)}{p(E=2)} \]

其中，

\[ p(C=c)=\mathcal{N}(0, 1)=\frac{1}{\sqrt{2\pi}}\exp(-\frac{c^2}{2}) \]

\[ p(E=x|C=c)=\mathcal{N}(4c, 1)=\frac{1}{\sqrt{2\pi}}\exp(-\frac{(x-4c)^2}{2}) \]

\[ p(E=x)=\int_{-\infty}^{+\infty}p(E=x|C=c)p(C=c)dc=N(0, 17) \]

https://www.wolframalpha.com/input?i=integrate+1+%2F+sqrt%282++%5Cpi%29++exp+%28-1%2F2++%28x+-+4c%29%5E2%29++1+%2F+sqrt%282++%5Cpi%29++exp+%28-1%2F2+*+%28c%29%5E2%29%2C+c+from+-inf+to+inf
所以，

\[ \begin{align} p_{C|E=2}&=\frac{\frac{1}{\sqrt{2\pi}}\exp(-\frac{(2-4c)^2}{2}) \cdot \frac{1}{\sqrt{2\pi}}\exp(-\frac{c^2}{2})}{\frac{1}{\sqrt{34\pi}}\exp(-\frac{2^2}{34})} \\ &=\frac{1}{\sqrt{\frac{2}{17}\pi}}exp(-2+8c-8c^2-\frac{1}{2}c^2+\frac{2}{17}) \\ &=\frac{1}{\sqrt{\frac{1}{17}}\sqrt{2\pi}}exp(-\frac{1}{2}\frac{(c^2-2\cdot\frac{8}{17}c +\frac{8}{17}^2)}{\frac{1}{17}})\\ &=\mathcal{N}(\frac{8}{17},\frac{1}{17}) \end{align} \]

Problem 3.7¶

do(Y=constant)，如果此时 X与Y不独立，那么是前者，否则是后者

Problem 3.8¶

Solution:
a)

\[ \begin{align} \begin{cases} \alpha = 2\gamma + 1 \\ \beta = 2 \cdot \delta \\ \gamma=2\cdot\alpha \\ \delta=2\cdot\beta +1 \end{cases} \Rightarrow \begin{cases} \alpha=4\alpha + 1\\ \beta=4\beta + 2 \end{cases} \Rightarrow \begin{cases} \alpha=-\frac{1}{3}\\ \beta=-\frac{2}{3}\\ \gamma=-\frac{2}{3}\\ \delta=-\frac{1}{3} \end{cases} \end{align} \]

b)

\[ \begin{align} \begin{cases} \alpha = \gamma + 1 \\ \beta = \delta \\ \gamma=\alpha \\ \delta=\beta +1 \end{cases} \Rightarrow \begin{cases} \alpha=\alpha + 1\\ \beta=\beta + 1 \end{cases} \Rightarrow \text{No solution} \end{align} \]

为了让SCM有解，可以设\(N_X=aN\), \(N_Y=bN\)
则上述方程可以变成

\[ \begin{align} \begin{cases} \alpha a + \beta b = \gamma a + \delta b + a \\ \gamma a + \delta b = \alpha a + \beta b + b \end{cases} \Rightarrow a + b = 0 \end{align} \]

所以，可以令\(N_X\sim N(0, 1)\), \(N_Y:=-N_X\), \(X:=2N_X\), \(Y=-N_Y\)

Chapter 4: Learning Cause-Effect Models¶

Structure Identifiability¶

是否可以仅从联合分布\(P(X, Y)\)，区分 X和 Y 的因果关系（即 strcuture）？答案是否定的，不行。

给定任何一个联合分布\(P(X, Y)\), 都可以找到一个SCM，其中\(Y:=f_Y(X, N_Y)\), \(X \perp \!\!\! \perp Y\)

所以，必须要做出一些假设，在这些假设成立的前提下才能实现 indentifiability
一般这样的假设有两类，一种是限制\(f_E\) 在一个比较小的类中，另一种是限制\(P(C)\)和\(P(E|C)\)。

We only argue for the belief that if there is a simple function that ﬁts the data, it is more likely to also describe a causal relation

3. Cause Effect Models

Chapter 3: Cause-Effect Models¶

SCM 的记号¶

Intervention和 Counterfactual 的不同¶

Problems¶

Problem 3.6¶

Problem 3.7¶

Problem 3.8¶

Chapter 4: Learning Cause-Effect Models¶

Structure Identifiability¶

Linear models with Non-Gaussian Additive Noise¶

Comments

Comments