文章目录
- 图模型
- 结构因果模型
- Intransitive case
- 链状结构
- 叉状结构
- 对撞结构
- D-分隔
- 模型检验和等价类
- 乘积分解法则
- 混淆变量
- 观测数据和试验数据
图模型
结构因果模型
x:treatment
因果的发生是有先后顺序的
（外生变量，内生变量）
Intransitive case
链状结构
叉状结构
Ex<-Age->Ch 统计相关
Ex->Ch因果相关
应该关注分组数据下面这种情况都是因果通路（上：间接影响；下：直接影响），应该关注整体数据
如果condition在age上
对撞结构
XZ、YZ相关，XY不相关；给定Z时，XY相关
举例：X指的是A给我打电话，Y指的是B给我打电话，Z如果是一个人给我打电话，那么XY不再独立
D-分隔
unblock—dependent相关的
block（阻断）-独立的
这里的X和Y是两个变量，在有向图中看作两个节点
1.对撞是使得路径断开
2.链和叉结构不阻断路径
模型检验和等价类
模型检验：
图可以推出任意两个节点的统计相关性。数据可以进行统计分析，估计变量的统计相关性。若二者出现不一致问题，则可以认为模型假设错误。
例子：
等价类：
说明单从统计相关角度是无法区分fork和chain
fork和collider可以统计检验
- 链状结构与叉状结构是无法区分的，即等价；
- 链状结构和叉状结构与对撞结构是可以区分的，即不等价；
- 对状结构的相邻父节点存在有向边是无法区分的，即等价；
例子：
把上面的等价类的部分全部去掉以后，下面并不等价。
乘积分解法则
例子：
混淆变量
同时影响原因变量与结果变量的变量，称为混淆变量。
例子：
因为confounder的存在，我们无法判别因果关系。 比如溺水人数和冰激凌销量是正相关的，但由于confounder的存在，无法推断因果性。可以通过随机试验的方式吧confounder去掉。另一个例子：
血压不是混淆变量，因为其是原因变量导致而影响结果变量。
怎么剔除confounder
数据获取方式：
1. 观测数据，只是记录数据，不会数据的产生进行干涉；
2. 试验数据，对试验对象进行干涉，例如对照试验；观测数据难以使用因果推断，试验数据易于使用因果推断。因此在随机试验中对试验对象进行干预，使得变量单一，便可剔除混淆变量。但是并不是所有的试验都可以通过随机试验来获得试验数据，而是通过观测数据。
实验数据必须进行干预，改变数据的生成机制。AB test：
观测数据和试验数据
随机化lifestyle，营养品和健康之间的相关性才是因果性。
