跳转至

Average Causal Effect Estimation in DAGs with Hidden Variables: Beyond Back-Door and Front-Door Criteria

讲者: Young Researchers' Seminar
来源: OCIS (Online Causal Inference Seminar)
日期: 2026-02-17
主题: 因果推断
视频: https://youtu.be/GO1z9bECD2k · 幻灯片

本页据讲座录音的自动转写（ASR）生成。人名 / 术语 / 公式 / 具体的率与界可能被听错，关键处请对照视频或讲者论文核对。

相关论文

  • 2312.10234 （尚未精读 — talks read --id … --read-papers 可补）

一、这场报告在讲哪条工作线

这场报告本质上是在回答一个有隐藏变量的因果图模型中，最优的（非参数有效、灵活、可自动化）估计方法是什么——而且是针对一类特殊但广泛的、可以被当前非参数识别算法“判定为可识别的” 的因果参数。

背景：在有隐藏变量（unmeasured confounders）的 DAG 中，标准的 back-door 调整（g-formula）一般失效。现有文献给出了两条互补的路径： - 识别（identification）路线：Tian and Pearl (2002)、Shpitser and Pearl (2006) 等给出了在 acyclic directed mixed graphs（ADMGs）上sound and complete 的识别算法——对任意给定 ADMG，算法可以在多项式时间内判断某个因果参数（如 ATE）是否被非参数识别，并给出一个识别函数（若存在）。该方向已成熟，商业图模型因果推断软件（如 causaleffect R 包）均基于此。 - 估计（estimation）路线：在识别函数已知后，如何灵活地给出一致且渐近有效的估计？这方向早先有 Bhattacharya et al. (2020) 针对特定图类的参数化估计；Jung et al. (2024) 和 Fulcher et al. (2020) 提供了一些具体图类（如 front-door）的估计方法。但缺失的是一个统一、可处理整个 primal fixability 类图（即 A 满足 ch_G(A) ∩ dis_G(A) = ∅）、同时允许使用任意机器学习方法（非参数速率）且保持根号 n 一致性与渐近有效性的估计框架。

这场报告的位置：讲者（Anna Guo）及其合作者（Nabi, Benkeser）试图补上这个缺口。报告核心工作线可分为两条：（1）对于primal fixability 类（“A 是 primal fixable”），给出一个通用的非参数有效估计框架（one-step + TMLE），并推导了充分条件（涉及多个 nuisances 的 L2 速率的乘积条件）以确保渐近线性；（2）对于primal fixability 类之外但 ATE 仍可识别的特例（如 “Napkin graph”，亦称“bow graph”），给出特殊处理，并引入一个凸组合加权影响函数来提升效率。两点均以 R 包 flexCausal 实现。

⚠ 注意：演讲中引用的文献标题有： - Guo & Nabi, "Average Causal Effect Estimation in DAGs with Hidden Variables: Beyond Back-Door and Front-Door Criteria", arXiv 2409.03962. - Guo, Benkeser, & Nabi, "Flexible Nonparametric Inference for Causal Effects under the Front-Door Model", arXiv 2312.10234. - Guo, Benkeser, & Nabi, "Causal Inference with the 'Napkin' Graph", arXiv 2512.19861（字幕听成 "b2 b0"，实际是 2512.19861；slide 写的是 2512.19861）。

重要背景引用（对理解工作线必不可少）： - Tian & Pearl (2002) "A general identification condition for causal effects" —— 提出 primal fixability 与识别条件。 - Bhattacharya, Nabi, & Shpitser (2020) "Semiparametric inference for causal effects in graphical models with hidden variables" —— 给出了 primal fixability 类下 ATE 的非参数影响函数（EIF）公式。Guo 等人的工作大量建立在该 EIF 上，但关键在于重参数化 EIF 中涉及的密度比项，以便用灵活的回归方法而非直接密度估计来估计。

二、最小内核 / 一个最简例子

2.1 符号、模型与可观测数据

令观测数据为 \(O = (X, A, M, Y)\)，其中： - \(A \in \{0,1\}\)：二值处理变量。 - \(Y \in \mathbb{R}\)：结果变量。 - \(X \in \mathbb{R}^d\)：观测到的预处理混杂。 - \(M\)：一个可能的后处理变量（在前门 / front-door 情形下它落在 \(A\) 的 district 中）。 - 存在未观测的混杂 \(U\)（不进入 \(O\)）。

图结构（ADMG 表示）： 

A → M → Y
X → A, X → M, X → Y
A ↔ Y
（这里 A ↔ Y 的 bidirected edge 表示由隐藏变量引起的相依性。A 的 district dis_G(A) = {A}（只有 A 自身），children ch_G(A) = {M}；因为 dis_G(A) ∩ ch_G(A) = ∅，所以 A 是 primal fixable。）

目标 estimand：ATE = \(\mathbb{E}[Y^{a=1} - Y^{a=0}]\)，或更一般地期望潜在结果 \(ψ_{a_0} = \mathbb{E}[Y^{a_0}]\), \(a_0\in\{0,1\}\)。

2.2 识别函数（由幻灯片 [5/20] 的公式）

由 Tian-Pearl 算法可得识别函数：

\[ψ_{a_0}(P) = \iint y \,\mathrm{d}P(y|m, a_0, x) \, \mathrm{d}P(m|a_0, x) \, \mathrm{d}P(a|x) \, \mathrm{d}P(x)\]
（这里隐含了积分子 M、A、X；Y 是结果变量，最后一部分实际上是联合分布分解的一个因子。）

2.3 重参数化：将识别函数写成迭代期望

关键技巧：将上述识别函数重新表达为（slide [7/20]）：

  1. 将 \(ψ_{a_0}\) 展开为：

    \[ψ_{a_0} = \mathbb{E}[I(A=a_0)Y] + \text{调整项}\]
    其中调整项 = 一个嵌套的期望结构：外层在 \(X\) 上，中间层在 \((M, a_0, X)\) 上，最内层在 \((L, M, a_0, X)\) 上；在 front-door 模型中没有 \(L\)（\(L\) 为空），因此退化为两个嵌套期望。

  2. 具体地，对于这个单 M 的 front-door 模型，定义顺序回归函数：

  3. \(B_Y(m,x) = \mathbb{E}[Y \mid M=m, A=a_0, X=x]\)（即先用观测数据 \(Y \sim M,A,X\) 拟合，再在 \(A:=a_0\) 下预测）
  4. \(B_M(x) = \mathbb{E}[B_Y(M,x) \mid A=a_0, X=x]\) 那么调整项 = \(\mathbb{E}[B_M(X)]\)。

所以 plug-in estimator 仅需两个顺序回归。

2.4 为什么这种方法比直接估计密度更容易？

原始识别函数要求估计 \(\mathrm{d}P(m|a_0,x)\)——一个条件密度。而重参数化后的估计只需要条件期望回归（\(B_Y\) 和 \(B_M\)），可以使用任何黑箱回归器（随机森林、神经网络、超学习器）。这是该方法灵活性的核心。

三、报告主体：讲者讲了什么

[0:00 - 0:05] 会议介绍：两场演讲；第一场 Anna Guo，Emory University，合作者 Razieh Nabi 和 David Benkeser。

[0:05:21 - 0:06:31] 设置框架：ATE 定义；没有未观测混杂时 back-door/g-formula 可识别；有未观测混杂则需要用其它方法（敏感性分析、边界、IV）。讲者强调本报告采用图模型路径：使用 ADMGs（将未观测变量投影出去），图模型识别算法（Tian-Pearl，Shpitser-Pearl）来判断目标是否可识别。

[0:06:31 - 0:08:05] ADMG 与 primal fixability： - ADMG 的双向边（bidirected edges）表示未混杂，这些边将变量划分到不同district（双向边连通分量）。 - A 的 district：dis_G(A)，A 的 children：ch_G(A)。 - Primal fixability：ch_G(A) ∩ dis_G(A) = ∅。若成立，则整个 post-intervention 分布 p(V\A | do(A=a_0)) 可识别。 - 若 primal fixability 不成立，整个分布不可识别，但某些边缘（如 ATE）可能仍然可识别（如 Napkin graph 示例）。

[0:08:05 - 0:09:35] 对于 primal fixability 类，识别函数的通用形式（slide [5/20]）： - 将变量分为预处理 X、A 的 district 内的后处理变量 M、district 外的后处理变量 L。 - 再引入 markov pillow（mp）：对每个变量 V_i，mp(V_i) = 所有在 V_i 之前且落在 V_i 的 district 或该 district 的父母集中的变量。 - 通用识别函数是一个多层积分/求和，其中 M 组变量的条件密度中 A 被设为 \(a_0\)，L 组变量的条件密度中 A 被设为“随机”并在 A 层先验上积分（幻灯片 [5/20] 公式）。

[0:09:35 - 0:12:03] 估计目标：计算高效 + 灵活（允许 ML）+ 保持统计优良性质（根号 n 一致、渐近线性）+ 实现为统一 R 包。

[0:12:03 - 0:13:14] 重参数化与 plug-in 估计： - 通过将识别函数拆成“基线项 + 迭代期望项”，将原本需要估计多个条件密度的问题转化为一系列条件期望回归。 - 对于 front-door 模型，仅需 2 个回归；对于双中介模型（slide [7/20]），需要 \(K\) 个回归（\(K\) 为 \(A\) 与 \(Y\) 之间的变量数）。 - 这些回归可以顺序进行（sequential regressions），依次形成 pseudo-outcomes。

[0:13:14 - 0:16:45] 基于影响函数（EIF，efficient influence function）的估计量： - 单纯的 plug-in 估计量需要所有回归都正确指定才一致，且若用 ML 会有巨大一阶偏差。 - 利用 Bhattacharya et al. (2020) 给出的非参数有效影响函数，但他们的版本中涉及密度比乘积，直接用 ML 较难。 - 讲者给出的关键贡献：重参数化 EIF，使得密度比项也可用基于回归的方法（通过贝叶斯定理重新表达为倾向得分之比）来估计 → 整个 EIF 可以完全通过回归 + 倾向得分 + 密度比回归 来估计。

[0:16:45 - 0:20:00] 渐近线性条件与双重稳健性（slide [11/20] & [12/20]）： - 状态条件的核心：nuisances 之间的收敛速率需要满足乘积条件，例如对于某对 nuisance（回归 + 密度比），要求它们的 L2 收敛速度的倒数和 ≥ 1/2。这是典型的“慢速率 vs 慢速率 = 根号 n 整体”的逻辑。 - 双重稳健性：两种方式达到一致 —— (a) 所有顺序回归一致且 | (b) 倾向得分 + 密度比估计一致。不需要两者同时。 - 注意：slide [12/20] 列出了不同的稳健性“路径”（基于条件密度的路径、基于顺序回归 vs 密度比直接估计的路径、基于顺序回归 vs 贝叶斯重参数化的路径）。这些路径在实际操作中提供灵活性。

[0:20:00 - 0:24:00] flexCausal R 包演示：以前门模型为例，通过 make.graph() 定义 ADMG，再调用 flex_est(a=c(1,0), data, graph, treatment, outcome) 即可得 ATE 的点估计和置信区间；输出会判断图是否非参数饱和（若饱和则报告所使用的估计量是有效估计量）。

[0:24:00 - 0:27:32] 假设检验（字幕听为 “testing”）： - 具体针对 front-door 模型。该模型本身非参数饱和（对观测数据不施加约束），不可直接检验。 - 引入 anchor variable Z（预处理变量，与 A 和 M 有关，且不影响 Y），来产生一个Verma 约束（即干预 M 后的条件独立关系 Z ⊥ Y | X）。这个约束可被用于检验 front-door 的识别假设（无直接效应 + 各条件可忽略性）。 - 已有 Bhattacharya & Nabi (2022) 提出两个检验统计量；讲者的贡献：将这个检验变成双重稳健检验——不仅检验统计量本身要双重稳健，所使用的高方差估计量也要双重稳健，以允许 ML 估计 nuisance。

[0:27:32 - 0:31:15] Napkin graph（亦称 bow graph）：primal fixability 不成立的例子，但 ATE 仍可识别。识别函数呈现为两个 g-formula 之比。 - 第一个 g-formula 分子：在干预 Z=z 下，\(\mathbb{E}[I(A=a_0) Y]\)。 - 第二个 g-formula 分母：在干预 Z=z 下，\(\mathbb{E}[I(A=a_0)]\)。 - 有趣的性质：ATE 对 z 的选择是不变的（z 可在 Z 的全支撑上任取）。 - 效率提升：由于不变性，对于不同的 z 可得到不同的影响函数；讲者提出将一族影响函数线性组合（权重和为 1），再估计出最小方差权重，从而得到一个加权影响函数估计量*，模拟显示方差减小。但严格推导 Verma 约束下的切空间（nuisance tangent space）是公开问题。

[0:31:15 - 0:31:30] 总结与未来工作。

问答环节关键点（第二场演讲的问题中对第一场的回应？实际上第二场是第二位的；第一场结束后主持人直接说 Razi 已回答完问题。据 slide 与转写，没有第一场的问答环节，但讲者 slide 上已有测试部分）——转写中第一场结束后即进入第二场闭合，无 QA。

四、对应论文与开放问题

对应论文

  1. Guo, Benkeser, & Nabi (2023). "Flexible Nonparametric Inference for Causal Effects under the Front-Door Model." arXiv:2312.10234. —— 对应报告中“front-door 模型下的估计 + 假设检验”部分。✅ 用户已在 Candidate papers 中给出。
  2. Guo & Nabi (2024). "Average Causal Effect Estimation in DAGs with Hidden Variables: Beyond Back-Door and Front-Door Criteria." arXiv:2409.03962. —— 对应“primal fixability 类的统一估计框架”。✅ slide 明确标记，是主体。
  3. Guo, Benkeser, & Nabi (2025? slide 写 2512.19861). "Causal Inference with the 'Napkin' Graph." arXiv:2512.19861. —— 对应 Napkin graph 部分。字幕听成 "b2 b0"，slide 明确写 arXiv 2512.19861。
  4. （报告中提及的 works）Bhattacharya, Nabi, & Shpitser (2020) "Semiparametric inference for causal effects in graphical models with hidden variables." JMLR。—— 提供了最初始的 EIF。讲者的工作大量建立于此 EIF 并对之进行重参数化。
  5. Bhattacharya & Nabi (2022) 关于 front-door 的假设检验（slide [14/20] 引用，anchor variable 方法）。

⚠ 注意：以上 arXiv 编号对 paper 1 和 2 是确定的（slide 与转写均验证）；paper 3 需从 slide 确认（编号 2512.19861，但 ASR 完全听错）。建议去 arXiv 核实。

报告留下的开放问题

  1. Verma 约束下的半参数效率理论（转写 [0:24:39-0:24:41]：“the nuisance tangent space under the Verma constraint... is still an open question” + slide 末尾）。目前只能用启发式方法（加权影响函数）来选最优 z*；完整的效率界推导尚未完成。
  2. 超越 front-door 模型的假设检验（转写 [0:25:59-0:26:04]：“propose testing methods and sensitivity analysis beyond the front-door model, but instead for the entire class of models” ）—— 对 primal fixability 类内一般的图，如何系统地检验图结构假设？
  3. Napkin graph 的最优 z* 选择的严格理论（转写 [0:24:23-0:24:26]：“which C star gives us the most efficient estimator... in a rigorous way to answer this question is by deriving the nuisance tangent space”—— 在完整的半参数效率理论出来之前，加权组合的方差最小化是一个工程解，但未知是否已被完整刻画。
  4. flexCausal R 包在更复杂图（高维 X 或 K 个中介）上的计算可扩展性与渐近精度 —— 如何在保持理论上根号 n 一致性与实际计算成本之间平衡？是否适用于 high-dimensional settings？讲者未讨论。

给研究者的建议：如果你对半参数效率理论 + 高阶 U 统计量感兴趣，报告中的“影响函数重参数化”和“乘积 R2 条件”可能与你熟悉的 HOIF 方法产生共鸣——此处 EIF 中多乘积交互项（密度比 × 回归误差）的高阶偏置分析、以及“多个 nuisances 的收敛速率乘积”的根号 n 条件，与 You 正在读的 HOIF 理论有潜在联系。尤其是当 Z_k 个数 K 很大时，顺序回归与 EIF 的复杂度可能涉及类似 tensor contraction 的因子化形式，这正是你“统计计算”兴趣的切点。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论