快眼电子书

手机浏览器扫描二维码访问

这一句有客人可容易（第1页）

2.4结构因果模型（SCM）

2.4.1基本定义[5][11]

这是一种基于因果图（casualgraph），构建各类因子间因果关系的方法。该方法可以将因果图转为结构化等式（structuralequations），并通过do算子干预因果图，打破混淆因子干扰，完成因果发现。

那什么是因果图呢，这是一个有向无环图（DAG），节点表示因子，有向边表示因果关系和大小。如下图（a）是SCM的一个示例。其中t为treatment（即要分析的“因”），y是目标，x是混淆因子。显然，x的存在干扰了分析t对y的影响，作者提出通过do算子去除混淆因子x对treatment的影响，这也是SCM做因果分析的关键。

那具体是怎么实现的呢？我们需要先了解因果图里的经典结构

2.4.2网络结构与前后门准则[11][12]

三种经典的图结构

当我们分析X和Y的因果关系时，如果存在其他变量Z，则它们的关系不外乎以下三种图结构。

链式（a）：X-＞Z-＞Y。有且

叉式（b）：X＜-Z-＞Y。同链式有且

V式（c）：X-＞Z＜-Y。有且

那么针对这三种图结构，如何输出X变化对Y的影响呢？我们的重点是如何“过滤”变量Z对分析的干扰（这也是因果识别的目标）

2.后门准则：该准则对应叉式的图结构

后门标准（后门准则）：如果变量集Z满足：①不包含X的子孙节点；②阻断了X到Y的所有后门路径。则称Z满足（X，Y）的后门准则

后门调整：基于后门路径，通过干预do算子消除混淆因子的影响，仅使用已知的数据分布，估计变量之间的因果效应

3.前门准则：该准则对应链式结构

前门标准（前门准则）：如果变量集Z满足：①阻断了X到Y的所有路径；②X到Z之间没有未阻断的路径（X到Z不存在后门路径）；③Z到Y之间的所有后门路径都被X阻断。则称Z满足（X，Y）的前门准则

前门调整：和后门调整类似，通过do算子去除前门路径（链式）的影响

2.4.3示例说明[13]

这两个准则应该如何使用呢？这里提供一个case

背景：有一种药物，对于男士群体而言，使用该药物后发病率降低。对于女士群体而言，使用该药物后发病率也会降低。但是，对男女人群一起统计，则结论相反

假设T=1表示服药，T=0表示未服药，Y=1表示发病的概率，Y=0表示未发病的概率。显然P（Y=1∣T=1）=0.78＜P（Y=1∣T=0）=0.83，这是因为没有考虑混淆变量“性别”的影响，出现了辛普森悖论。

如下图，通过后门调整，去除掉性别对服药的干扰。则最终P（Y=1∣do（X=1））=0.832＞P（Y=1∣do（X=0））=0.781，说明服用此药物确实可以降低发病率。

后面调整的计算逻辑如下：

2.4.4因果识别

当前SCM模型更多用于因果识别，这是因果推断伴生的研究课题。其目标是从一系列的因子里，找出各因子间的因果相关性并输出因果图，则后续可根据casualgraph分析两两因子间的相互影响，揭示因子对结果的多层传递性影响。举个例子[14]，我们研究影响产品销量的因素时，可能存在产品价格、产品属性、门店信息、市场竞争情况等因子需要考虑。我们可以构建多个类似下图的因果图模型，然后通过do算法实现干预，判断各因子间存在的因果关系，最终输出概率最大的因果图作为识别的结果[15][16]。本文主要关注因果推断，因果识别不做展开讨论，更多示例可参考相关文章[17]

2.5潜在结果模型（RCM）[11]

RCM关注的是干预前后的期望变化，即2.2所述的Treatmenteffect。该模型不考虑分析所有因子的因果性，只关注treatment和output之间的因果强弱，因此也不需要构建完整了因果图，而是假设treatment和output外的其他因子均为混淆因子，构建粗略的因果图，通过预测反事实的结果，并于观测对比来完成因果推断。

该模型的期望输出分为四种（ATEATTCATEITE），可根据业务需求选择。对于for单个研究对象的反事实推断，模型的目标是计算每一个样本i的因果效应，即=（T=1）?（T=0）。以3.3服药和康复的case为例，T=是否服药，Y=是否康复。我们知道，一个人是无法同时观测到吃药和不吃药对康复的影响，SCM也无法推测服药对某个用户的价值。而RCM则会根据数据形态（即用户属性、历史表现以及混淆因子“年龄”等）预测实际未发生的行为将产生的结果，从而推断出ITE。同理可得出ATE、ATT、CATE。

因为业界很多时候关注的是单个treatment因子的价值，所以RCM往往是业界的首选。

2.5.1基本假设

RCM存在如下3个基本假设[18]：

稳定单元干预值假设（StableUnitTreatmentValueAssumption，SUTVA）：任意单元的潜在结果都不会因为其他单元的干预发生改变而改变，且对于每个单元，其所接受的每种干预不存在不同的形式或版本，也不会导致不同的潜在结果。以吃药康复的例子解释这里的两层含义，其一是你吃不吃药不影响我是否康复；其二是每种干预是唯一的，吃药不存在吃很多、吃很少的情况，统一药量，要考虑药量就要设置不同的干预值（即此时干预变量不能只是0和1）

喜欢觉醒失败后我回山里种田请大家收藏：（）觉醒失败后我回山里种田

穿书后，让疯批反派跪地说爱我！  被知青抛下后，我在80年代暴富  带着快递驿站穿年代  病娇妹妹爱上温柔姐姐  浪痞  我末影女王！实名表白Him大人  满门炮灰读我心，全家杀疯了  哭包小同桌又在哄校霸好好学习  嫡妹非要换亲，我救忠烈成团宠  莲花楼：险象环生  大唐之盛世大柱国  遮天经  仙旅星海  将门毒妃一睁眼，禁欲战王被休了  西瓜吃西瓜  黑篮：霸网B技  奥特：我是平成老大哥  太傅大人每日想当皇后想疯了  重生九八：预知未来暴富惊呆校花  丑小鸭进城，摇身一变成豪门千金