跳转至

Graph-based causal variance decompositions: When "variance explained" means causation

作者: Olli Saarela, Juha Karvanen
主题: 因果推断
相关性: 8/10
链接: https://arxiv.org/abs/2608.27140

一、领域脉络与小综述

这个方向是什么

因果方差分解（causal variance decomposition）试图将观测到的结果变量总方差拆解为若干有因果解释的分量，每个分量对应某个解释变量（或变量集）对结果变异的“因果贡献”。传统方差分解（如ANOVA、基于线性回归的R²分解）依赖于条件顺序，其分量一般没有因果含义——改变顺序会改变分量大小，且无法区分关联与因果。该子方向的核心问题是：在什么图论条件下，一个有序方差分解的某个分量可以被解释为因果量（即对应某个干预分布下的方差缩减），并且可以从观测数据中识别？ 当前成熟度：已有若干应用特例（医疗质量比较、健康公平性）和一般归因框架（intrinsic causal contributions），但缺乏一个统一、逐分量可检验的图论识别理论。

发展脉络（history）

  1. 奠基工作：顺序非唯一性与因果解释的提出
  2. Bowsher & Swain (2012)：在随机生化网络背景下，明确指出了多路方差分解对条件顺序的依赖性，并强调顺序选择应反映科学问题。该工作为后续因果方差分解奠定了“顺序即科学问题”的基调。

  3. Pearl (2009)：提供了do-calculus和因果图的形式化工具，使得干预分布与条件分布之间的等价关系可以系统检验。本文所有识别命题都直接依赖do-calculus规则2。

  4. 应用驱动的因果方差分解（Chen et al. 系列）

  5. Chen et al. (2020)：在医疗质量比较中提出三路因果方差分解，将患者层面结果方差拆分为病例组合（case-mix）、医院表现（conditional on case-mix）和残差。关键贡献：直接用潜在结果定义分量，使医院相关分量成为因果估计量。
  6. Chen et al. (2022)：扩展到中介分析，将医院间变异分解为通过过程指标中介的部分和直接路径部分。
  7. Chen et al. (2023)：进一步扩展到分层提供者结构（医院-医生嵌套），分离医院间和医生间变异。
  8. Yu et al. (2025)：针对群体差异检测，提出八路分解，包含群体与医院效应的交互、医院选择等项，并引入“允许协变量”（allowable covariates）概念，在非拓扑顺序下获得受控效应解释。

  9. 这些工作为特定DAG和科学问题建立了因果方差分量，但没有提供一般图论条件来判断任意有序方差分解分量的因果可识别性（本文第1节原文：“do not provide general graphical conditions under which an arbitrary component of an ordered observed-data variance decomposition has a causal interpretation”）。

  10. 一般因果归因框架（Janzing et al. 系列）

  11. Janzing et al. (2024)：提出intrinsic causal contributions (ICC)，在结构因果模型中将每个节点分解为外生噪声，通过结构保持干预定义节点对目标不确定性的贡献。方差基ICC是条件方差缩减的期望。他们通过Shapley对称化消除顺序依赖，也考虑了仅对拓扑顺序平均的变体。
  12. Saha et al. (2025)：将拓扑ICC进一步发展到深度神经网络全局归因，在无潜在混杂假设下建立可识别性，并开发生成式事后估计框架。

  13. 这些框架提供了一般图基归因构造，但聚焦于内在节点贡献，通过平均解决顺序非唯一性，且通常假设因果充分性（无未观测混杂）。本文指出它们“do not provide general graphical conditions under which an arbitrary component of an ordered observed-data variance decomposition has a causal interpretation”。

  14. 变量重要性度量与反事实ANOVA

  15. Khan et al. (2025)：提出条件变量重要性度量（CVIM），对每个预测变量X_j，条件于所有其他变量X_{-j}，与条件平均处理效应（CATE）有二次关系。但无法同时对所有变量获得因果解释。
  16. Hines et al. (2025)：提出非参数处理效应变量重要性度量，基于影响函数估计和推断。
  17. Paillard et al. (2025)：开发条件置换方法评估CATE异质性中变量的重要性。
  18. Gao & Zhao (2024)：提出“反事实可解释性”，利用DAG和反事实比较将ANOVA型归因扩展到依赖解释变量。
  19. Zhang & Gao (2026)：发展半参数估计和推断，包括基于影响函数的分量和交互项估计。

  20. 这些工作进一步表明“解释变异”可以表述为因果估计量，但它们的反事实ANOVA目标和识别假设与本文的序贯条件方差分量不同。

  21. 本文的位置：填补应用特定分解与一般归因框架之间的gap。作者提出一个一般图论理论，对任意有序方差分解，逐分量检查因果可识别性，不要求因果充分性；允许非拓扑顺序（受控效应解释）和向量值聚类；将顺序视为科学估计量的一部分而非需要平均掉的歧义。

子线索聚类

  • 线索A：应用驱动的因果方差分解（Chen et al. 2020, 2022, 2023; Yu et al. 2025）——针对医疗质量比较和健康公平性，为特定DAG定义因果分量，但缺乏一般图论条件。
  • 线索B：一般因果归因（内在贡献）（Janzing et al. 2024; Saha et al. 2025; Jung et al. 2022）——通过噪声变量或do-干预定义节点贡献，通常用Shapley值解决顺序歧义，假设因果充分性或可识别性。
  • 线索C：变量重要性度量（Khan et al. 2025; Hines et al. 2025; Paillard et al. 2025）——聚焦于单个变量对处理效应异质性的贡献，不产生序贯多分量分解。
  • 线索D：反事实ANOVA与可解释性（Gao & Zhao 2024; Zhang & Gao 2026）——将ANOVA型归因扩展到依赖变量，使用反事实比较和半参数推断。

这个方向在追问的核心问题

  1. 如何定义有因果解释的方差分量？ 分量应对应于某个干预分布下的方差缩减，而非条件方差。
  2. 识别条件是什么？ 在什么图论条件下，观测数据中的条件期望等于干预期望？是否需要因果充分性？
  3. 如何处理顺序非唯一性？ 当多个拓扑顺序存在时，是平均还是聚类？
  4. 如何估计？ 非线性泛函的plug-in估计对 nuisance 模型误设敏感，能否构造双稳健或高效估计量？

⚠️ 作者的framing

  • 作者把缺口frame成：“The decompositions of Chen et al. (2020, 2022, 2023) and Yu et al. (2025) establish causally interpretable variance components for particular DAGs and scientific questions, but do not provide general graphical conditions under which an arbitrary component of an ordered observed-data variance decomposition has a causal interpretation. … Conversely, Janzing et al. (2024); Saha et al. (2025) provide general graph-based attribution constructions, but focus on intrinsic node-wise contributions and resolve non-unique orderings through averaging.” 因此本文的“显然下一步”是：提供一个一般图论框架，逐分量检查识别性，不要求因果充分性，允许非拓扑顺序和聚类，并将顺序视为科学估计量的一部分。
  • 被淡化或回避的竞争路线：
  • 作者明确选择不采用Shapley对称化（“we do not pursue this approach here”），而是通过聚类获得唯一拓扑顺序。这回避了Shapley值计算复杂性和解释性问题。
  • 作者没有深入讨论与Gao & Zhao (2024) 反事实ANOVA的详细比较，仅指出“their counterfactual ANOVA targets and identifying assumptions differ from the sequential conditional-variance components considered here”。
  • 作者没有讨论当图本身不确定时（如从数据学习DAG）的推断问题，仅在第7节提到敏感性分析。
  • 什么明显该被引/该存在、却没出现在intro里？
  • 没有引用关于半参数效率界或双稳健估计在方差分解中的工作（尽管第7节提到这是未来方向）。
  • 没有引用高维或非参数回归中变量重要性度量的近期进展（如RF variable importance, permutation importance），尽管Khan et al. (2025) 有连接。
  • 没有引用因果发现文献（如PC算法、LiNGAM），因为本文假设图已知。
  • 没有引用公平性机器学习中关于“允许变量”的讨论（如Barocas et al. 2019），尽管Jackson (2021) 被引用于此。

张力

未见明显对立引用。各条线索在假设和目标上不同，但彼此不矛盾。例如，Chen et al. 的分解在特定DAG下是本文一般理论的特例；Janzing et al. 的ICC在因果充分且拓扑顺序下与本文分量等价（本文第3.6节明确指出了这一点）。

二、最核心、最简单的例子 / 数学问题

第一步：符号、模型、可观测数据交代清楚

符号（本文第2.1节）： - \(X_1, \dots, X_k\)：解释变量（随机向量），\(Y\)：结果变量（标量）。 - 给定一个顺序 \(X_1 \prec X_2 \prec \cdots \prec X_k \prec Y\)。记 \(X_{1:j} := (X_1, \dots, X_j)\)，\(X_{\prec j} := X_{1:j-1}\)，\(X_{1:0} := \emptyset\)。 - \(\Delta_j := E_{X_{\prec j}}\big[ V_{X_j | X_{\prec j}} \{ E(Y | X_{1:j}) \} \big]\)：第\(j\)个方差分量（归因于\(X_j\)）。 - \(\Delta_{\text{res}} := E_{X_{1:k}}[ V(Y | X_{1:k}) ]\)：残差分量。 - 总方差分解：\(V(Y) = \sum_{j=1}^k \Delta_j + \Delta_{\text{res}}\)。

模型： - 假设存在一个因果有向无环图（DAG）\(\mathcal{G}\)，节点包含所有相关变量（包括未观测变量）。\(\mathcal{G}\)定义了变量间的因果结构。 - 数据生成机制满足马尔可夫性：每个变量条件独立于其非后代给定其父节点。 - 本文不假设因果充分性（即\(\mathcal{G}\)可能包含未观测变量）。 - 顺序\(\sigma\)可以是用户指定的任意顺序（不一定是拓扑顺序）。

可观测数据： - 可观测到的是\((X_1, \dots, X_k, Y)\)的独立同分布样本，样本量\(n\)。 - 未观测变量（如\(U\)）存在但不可观测，它们会影响识别条件。 - 想要但观测不到的量：干预分布下的条件期望\(E(Y | do(X_j), X_{\prec j})\)，以及潜在结果。本文通过图论条件将其与可观测条件期望联系起来。

第二步：最小内核

最简特例：考虑图1的DAG，其中无未观测变量\(U\)（即因果充分）。变量为：\(Z\)（社会人口群体，3类），\(X\)（病例组合协变量，向量），\(A\)（医院分配，5类），\(Y\)（二元过程质量指标）。边为：\(Z \to X\)，\(Z \to A\)，\(Z \to Y\)，\(X \to A\)，\(X \to Y\)，\(A \to Y\)。这是一个因果充分的DAG。

拓扑顺序：\(Z \prec X \prec A \prec Y\)。这是该DAG的一个拓扑顺序（因为所有边从先到后）。

方差分解（公式(2)）：

\[V(Y) = V_Z\{E(Y|Z)\} + E_Z\big[ V_{X|Z}\{E(Y|Z,X)\} \big] + E_{Z,X}\big[ V_{A|Z,X}\{E(Y|Z,X,A)\} \big] + E_{Z,X,A}[V(Y|Z,X,A)].\]
记\(\Delta_Z, \Delta_X, \Delta_A, \Delta_{\text{res}}\)。

核心思路：在因果充分且顺序拓扑的条件下，每个前序变量集都是其后继变量的有效调整集（Corollary 3.2）。具体地： - 对于\(\Delta_Z\)：空集是\(Z\)对\(Y\)的有效调整集（因为无后门路径），故\(E(Y|Z) = E(Y|do(Z))\)。 - 对于\(\Delta_X\)：\(Z\)是\(X\)对\(Y\)的有效调整集（因为\(Z\)是\(X\)的父节点且非后代，且阻断后门路径\(X \leftarrow Z \to Y\)），故\(E(Y|Z,X) = E(Y|do(X), Z)\)。 - 对于\(\Delta_A\)：\((Z,X)\)是\(A\)对\(Y\)的有效调整集，故\(E(Y|Z,X,A) = E(Y|do(A), Z,X)\)。

因此，所有三个非残差分量的观测数据表达式等价于干预期望下的表达式，从而具有因果解释：\(\Delta_Z\)是干预\(Z\)（改变群体分布）引起的方差，\(\Delta_X\)是干预\(X\)（固定\(Z\)）引起的方差，\(\Delta_A\)是干预\(A\)（固定\(Z,X\)）引起的方差。

这个最小内核说明了整篇论文的核心数学事实：在拓扑顺序下，如果前序变量构成有效调整集（在因果充分时自动成立），那么有序方差分解的每个分量就是因果量。论文的一般化在于：①允许未观测混杂（此时需要逐分量检查调整集是否有效）；②允许非拓扑顺序（此时需要区分前序变量中的后代与非后代，将后代视为受控变量）；③允许向量值聚类（当变量间无祖先关系时，聚类得到唯一拓扑顺序）。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在因果图框架下，定义有序方差分解的因果分量，并给出逐分量可检验的图论识别条件，允许未观测混杂、非拓扑顺序和向量值聚类。
  2. 核心工具/方法：do-calculus规则2、图论调整准则（back-door criterion）、dagitty包检查调整集；估计采用模型驱动的plug-in估计量，结合近似贝叶斯（渐近正态参数后验+贝叶斯bootstrap）进行不确定性量化。
  3. 主要结论：在拓扑顺序下，若前序变量是有效调整集则分量被识别（Proposition 3.1）；因果充分时自动成立（Corollary 3.2）；非拓扑顺序下，将前序后代视为受控变量，剩余前序变量作为调整集，给出识别条件（Proposition 3.6）；聚类可得到唯一拓扑顺序（Proposition 3.4）。模拟研究显示，正确指定结果模型时估计量表现合理，但XGBoost等预测导向的灵活估计会产生不可忽略的plug-in偏差。

关键设定与假设

  • 因果图：存在一个已知的因果DAG \(\mathcal{G}\)，可能包含未观测变量。图结构是给定的，不是从数据学习的。
  • 顺序：用户指定一个顺序\(\sigma\)，可以是拓扑的或非拓扑的。顺序是科学估计量的一部分，不是需要平均掉的歧义。
  • 调整集：使用Pearl (2009) 的图论调整准则（back-door criterion）来检查一个变量集是否为有效调整集。该准则要求：调整集不包含暴露的后代，且阻断所有从暴露到结果的后门路径。
  • 因果充分性：不假设。当存在未观测混杂时，某些分量可能不可识别，但其他分量仍可能识别（如例中\(U\)存在时\(A\)分量仍识别）。
  • 向量值节点：允许将多个变量合并为一个向量值节点（如\(X\)作为病例组合向量），此时聚类内的变量被视为一个整体，其顺序由聚类间的祖先关系唯一确定（Proposition 3.4）。
  • 估计假设：plug-in估计需要拟合条件分布模型（如\(Z|X\)的多项逻辑回归、\(A|X,Z\)的多项逻辑回归、\(Y|X,Z,A\)的逻辑回归）。这些模型可能误设，模拟研究了误设的影响。

相比已有文献的放宽/强化： - 相比Chen et al. (2020, 2022, 2023) 和 Yu et al. (2025)：从特定DAG推广到一般图，提供逐分量识别条件。 - 相比Janzing et al. (2024) 和 Saha et al. (2025)：不要求因果充分性，允许非拓扑顺序，不采用Shapley平均而是通过聚类或直接指定顺序。 - 相比Khan et al. (2025)：产生序贯多分量分解，而非单个变量的条件重要性。

主要结果

Proposition 3.1（拓扑顺序下分量识别）：设\(\mathcal{G}\)是因果DAG（可能含未观测变量），顺序\(X_1 \prec \cdots \prec X_k \prec Y\)与\(\mathcal{G}\)中这些变量的一个拓扑顺序兼容。若对某个\(j\)，\(X_{\prec j}\)是\(X_j\)对\(Y\)的有效调整集，则\(E(Y|X_j, X_{\prec j}) = E(Y|do(X_j), X_{\prec j})\)，从而\(\Delta_j\)被识别为因果分量。
- 直觉：调整集使条件分布等于干预分布。
- 必要条件：\(X_{\prec j}\)必须满足后门准则。
- 解决的技术难点：不需要整个系统因果充分，每个分量可独立检查。

Corollary 3.2（因果充分特例）：若\(\mathcal{G}\)因果充分且顺序拓扑，则对所有\(j\)，\(X_{\prec j}\)自动是有效调整集，所有非残差分量被识别。
- 证明：拓扑顺序下，所有前序变量是非后代，且包含所有父节点，阻断所有后门路径。

Proposition 3.4（聚类得到唯一拓扑顺序）：若变量可划分为反链\(C_1, \dots, C_K\)，使得\(C_\ell\)中每个变量是\(C_m\)中每个变量的祖先（\(\ell < m\)），则聚类后的节点有唯一拓扑顺序\(C_1 \prec \cdots \prec C_K \prec Y\)。
- 意义：当变量间无祖先关系（如平行结构）时，不同拓扑顺序仅改变聚类内顺序，聚类级分解唯一。作者选择聚类而非Shapley平均。

Proposition 3.6（非拓扑顺序下受控效应识别）：对用户指定顺序\(\sigma\)，令\(C_j^\sigma\)为前序变量中\(X_j\)的后代（受控变量），\(B_j^\sigma\)为剩余前序变量（候选调整集），联合暴露\(E_j^\sigma = \{X_j\} \cup C_j^\sigma\)。若\(B_j^\sigma\)是\(E_j^\sigma\)对\(Y\)的有效调整集，则\(E(Y|X_j, X_{\prec j}^\sigma) = E(Y|do(E_j^\sigma), B_j^\sigma)\)，从而\(\Delta_j^\sigma\)被识别为受控效应因果分量。
- 直觉：将后代变量视为“被固定”的，与暴露一起构成联合干预。
- 例子：在修改顺序\(X \prec Z \prec A \prec Y\)中，\(Z\)的前序变量\(X\)是\(Z\)的后代，故\(C_Z^\sigma = \{X\}\)，\(B_Z^\sigma = \emptyset\)，联合暴露为\((Z,X)\)。若空集是\((Z,X)\)对\(Y\)的有效调整集（无\(U\)时成立），则\(E(Y|Z,X) = E(Y|do(Z,X))\)，\(\Delta_Z\)有受控效应解释。

证明路线与技术技巧

整体路线（以Proposition 3.1为例）： 1. 固定\(j\)，假设\(X_{\prec j}\)是\(X_j\)对\(Y\)的有效调整集。 2. 由调整集定义，在删去\(X_j\)出边的图\(\mathcal{G}_{X_j}\)中，\(Y \perp X_j \mid X_{\prec j}\)。 3. 由do-calculus规则2（action/observation exchange），\(p(y | do(x_j), x_{\prec j}) = p(y | x_j, x_{\prec j})\)。 4. 因此\(E(Y|do(X_j), X_{\prec j}) = E(Y|X_j, X_{\prec j})\)。 5. 代入\(\Delta_j\)的定义即得识别。

关键跳跃点： - 在非拓扑顺序（Proposition 3.6）中，需要将前序变量分为后代和非后代。后代不能作为普通调整变量（因为它们受暴露影响），但可以被视为“受控”变量，与暴露一起构成联合干预。这要求检查联合暴露\(E_j^\sigma\)的调整集，而非单个暴露。 - 证明中使用了do-calculus规则2的多元版本：\(p(y | do(e), b) = p(y | e, b)\)当\(b\)是\(e\)的有效调整集。

技术技巧点名： - do-calculus规则2：用于将条件期望转化为干预期望。这是所有识别命题的核心工具。 - 图论调整准则：使用dagitty包的isAdjustmentSet函数检查调整集有效性。这是可操作化的识别检查。 - 贝叶斯bootstrap：用于传播经验分布的不确定性（第5节）。对连续或高维变量，用Dirichlet权重替代经验平均。 - 渐近正态后验近似：对参数模型（逻辑回归、多项逻辑回归），用MLE的渐近正态分布作为后验近似，独立抽样。 - plug-in估计：将拟合的条件分布代入嵌套期望-方差表达式（公式(8)），直接计算分量估计值。

真实例子与应用

模拟研究（第6节）： - 数据：基于图1的DAG生成，\(Z\)三分类（neutral, advantaged, disadvantaged），\(X\)为\(p\)维正态（\(p=5\)或15），\(A\)五分类医院，\(Y\)二元过程指标。参数设计使拓扑顺序下\(\Delta_Z\)接近零（因直接和间接路径抵消），而修改顺序下\(\Delta_Z\)占7-8%总方差。 - 方法应用：比较拓扑顺序（\(Z \prec X \prec A \prec Y\)）和修改顺序（\(X \prec Z \prec A \prec Y\)）的分解。估计量包括：参数逻辑回归（主效应模型、含交互模型）、Firth校正逻辑回归、XGBoost。不确定性量化使用近似贝叶斯（参数后验+贝叶斯bootstrap）。 - 结果： - 正确指定结果模型（含\(Z:A\)交互）时，参数估计量偏差小，覆盖接近名义水平。 - 遗漏交互时，\(\Delta_A\)被低估，\(\Delta_{\text{res}}\)被高估，覆盖恶化。 - XGBoost表现出不可忽略的plug-in偏差（尤其低估修改顺序的\(\Delta_Z\)和拓扑顺序的\(\Delta_X\)），且随样本量增加改善有限。作者指出“good prediction-oriented fitting does not by itself guarantee accurate estimation of the nonlinear variance decomposition functionals”。 - 修改顺序的\(\Delta_Z\)在拓扑顺序下为零，但在修改顺序下显著非零，说明修改顺序可以捕获路径特定信号。 - 这个例子想说明：①识别条件正确时，参数估计量在正确模型下有效；②plug-in估计对nuisance模型误设敏感，预测导向的灵活模型不一定适合；③不同顺序对应不同科学问题，修改顺序可以揭示拓扑顺序中抵消的路径。

🔎 结论是否比证明窄

  • 窄的地方：
  • 所有识别命题（Proposition 3.1, 3.6）只给出了充分条件（有效调整集），没有给出必要条件。即，即使前序变量不是有效调整集，分量仍可能通过其他方式（如前门调整、工具变量）被识别。作者没有讨论这些可能性。
  • 估计部分（第4-5节）只提供了plug-in估计，没有推导高效影响函数或双稳健估计。作者在第7节明确承认这是未来方向：“A natural next step is therefore to derive efficient influence functions for the individual components and use them to construct bias-corrected one-step or targeted estimators.”
  • 模拟中只考虑了参数模型和XGBoost，没有尝试半参数或双稳健方法。
  • 不确定性量化（近似贝叶斯）在分量真值接近零时覆盖不足（第6.3节），作者指出“the asymmetric sampling distributions are not well captured by the normal approximations”。
  • 泛泛claim的地方：
  • 第1节声称“We address this gap by developing a general graph-based theory for ordered variance decompositions of stochastic outcomes.” 这个“general”是合理的，但识别条件仅限于调整集准则，没有覆盖更一般的识别策略（如前门、工具变量）。
  • 第7节提到“The main distinction from existing causal variance decomposition and attribution approaches is that identification is assessed component by component in the full causal graph, without requiring causal sufficiency with respect to the variables included in the decomposition”——这确实是本文的核心贡献，但“component by component”在Janzing et al. (2024) 的ICC中也是逐节点定义的，区别在于本文不要求因果充分性。

四、开放问题

  1. 高效影响函数与双稳健估计：本文的plug-in估计对nuisance模型误设敏感。能否为每个方差分量\(\Delta_j\)推导出高效影响函数（efficient influence function），从而构造one-step或targeted估计量，允许灵活机器学习估计（如交叉拟合）并保持\(\sqrt{n}\)-一致性和渐近正态性？

  2. 扎根：第7节原文：“A natural next step is therefore to derive efficient influence functions for the individual components and use them to construct bias-corrected one-step or targeted estimators.”

  3. 更完整的贝叶斯不确定性量化：本文的近似贝叶斯方法（渐近正态后验+贝叶斯bootstrap）在分量接近零时覆盖不足。能否开发一个完整的贝叶斯方法（如MCMC从联合后验抽样），避免正态近似，并自然传播所有模型的不确定性？

  4. 扎根：第7节原文：“A proper Bayesian implementation based on posterior sampling by MCMC could avoid reliance on Gaussian approximations and propagate uncertainty jointly through the fitted conditional models.”

  5. 图结构和顺序不确定性的敏感性分析：本文假设因果图和顺序已知。在实际应用中，图可能从数据学习得到，顺序也可能有争议。如何对图结构、顺序选择或聚类粒度进行敏感性分析？

  6. 扎根：第7节原文：“In applications, these choices may themselves be uncertain, and sensitivity analysis over plausible graphs, orderings, or cluster definitions may be important.”

  7. 干预因果方差分解：本文的受控效应解释仍基于观测数据中的条件方差。能否将框架扩展到干预潜在结果的方差分解（如将医院分配从一个指定干预分布中抽样），从而直接量化干预策略下的变异来源？

  8. 扎根：第7节原文：“To quantify disparities that remain after hypothetical interventions on downstream variables that are well-defined intervention targets, the present framework can be extended to interventional causal variance decompositions, in which the variance of an interventional potential outcome is decomposed.”

Maintained by 陈星宇 · Homepage · Source on GitHub

评论