Causal Identification from Counterfactual Data: Completeness and Bounding Results

Each language version is independently generated for its own context, not a direct translation.

Stel je voor dat je een detective bent die probeert het verleden te reconstrueren, maar dan niet alleen op basis van wat er is gebeurd, maar ook op basis van wat had kunnen gebeuren. Dit is de kern van dit wetenschappelijke artikel over causale inferentie (het begrijpen van oorzaak en gevolg).

Hier is een uitleg in gewoon Nederlands, vol met creatieve vergelijkingen.

1. De Drie Verdiepingen van de Waarheid

De auteurs beginnen met een idee van de beroemde filosoof Judea Pearl: de Causale Hiërarchie. Denk hieraan als een drie verdiepingen tellend gebouw:

Verdieping 1 (Kijken): Dit is wat we normaal zien. "Mensen met rode auto's krijgen vaker een boete." We kijken alleen naar de data die er al is.
Verdieping 2 (Doen): Dit is wat we doen in een experiment. "Wat gebeurt er als we alle auto's rood maken en kijken of ze dan een boete krijgen?" Dit is een ingreep (zoals een medische test of een A/B-test).
Verdieping 3 (Verbeelden): Dit is het lastigste deel. Het gaat over tegenwerkelijkheden. "Die meneer met de rode auto kreeg een boete. Maar als hij een blauwe auto had gehad, had hij dan nog steeds een boete gekregen?"

Het oude probleem:
Vroeger dachten wetenschappers dat Verdieping 3 onbereikbaar was. Je kunt niet teruggaan in de tijd om te kijken wat er was gebeurd als de auto blauw was geweest. Je kunt alleen Verdieping 1 en 2 gebruiken om Verdieping 3 te schatten, maar vaak lukte dat niet precies. Het was alsof je probeert een compleet 3D-puzzel te maken met alleen de randjes.

2. De Nieuwe Magische Sleutel: "Tegenwerkelijkheid Randomisatie"

Het artikel introduceert een nieuw idee uit een eerder onderzoek: Tegenwerkelijkheid Realiseerbaarheid.

Stel je voor dat je een AI-systeem hebt dat snelheidsboetes uitdeelt op basis van camerabeelden.

Normaal: De AI ziet een rode auto en geeft een boete.
De nieuwe truc: De onderzoekers hebben een manier bedacht om in de video terwijl de auto rijdt de kleur van de auto digitaal te veranderen naar blauw, zonder dat de bestuurder dat merkt en zonder dat de snelheid verandert.

Dit noemen ze Tegenwerkelijkheid Randomisatie. Het is alsof je een "wat als"-knop hebt in de realiteit. Je kunt nu direct data verzamelen over Verdieping 3. Je kunt zien: "Deze bestuurder kreeg een boete met een rode auto, maar in deze parallelle wereld kreeg hij geen boete met een blauwe auto."

3. De Nieuwe Algorithmische Detective (CTFIDU+)

Nu we deze nieuwe data hebben, stellen de auteurs de vraag: "Welke andere 'wat als'-vragen kunnen we nu eindelijk beantwoorden?"

Ze hebben een nieuwe rekenmachine bedacht, genaamd CTFIDU+.

Hoe het werkt: Stel je voor dat je een enorme doos met puzzelstukjes hebt (de data). De oude methoden konden alleen puzzels maken als ze stukjes uit Verdieping 1 en 2 hadden. De nieuwe CTFIDU+ kijkt naar de puzzelstukjes uit Verdieping 3 (de nieuwe data) en zegt: "Ah, met deze stukjes kunnen we nu ook die lastige puzzels oplossen die voorheen onmogelijk waren!"
Het resultaat: Ze bewijzen dat deze nieuwe methode compleet is. Dat betekent: als een vraag in theorie oplosbaar is met de beschikbare data, dan zal deze rekenmachine het ook echt oplossen. Als hij zegt "Niet oplosbaar", dan is het echt onmogelijk, zelfs met de beste tools.

4. De Muur die Je Niet Kunt Doorbreken

Maar wacht, is alles nu oplosbaar? Nee.
De auteurs tonen aan dat er een fundamentele muur is. Zelfs met deze magische "wat als"-knop, zijn er sommige vragen die je nooit exact kunt beantwoorden zonder extra aannames.

De Analogie: Stel je voor dat je een spiegelkast hebt. Je kunt erin kijken (Verdieping 1), je kunt de kast verplaatsen (Verdieping 2), en je kunt de kleuren in de spiegel veranderen (Verdieping 3). Maar als er een stukje van de spiegel kapot is (verborgen oorzaken die je niet kunt zien), kun je het volledige beeld nooit perfect reconstrueren, hoe slim je ook bent.
De conclusie: Er is een grens aan wat we exact kunnen weten. Alles wat je kunt "realiseren" (direct meten met de nieuwe truc), kun je ook "identificeren" (berekenen). Alles daarbuiten blijft een raadsel.

5. Als je het niet exact weet, kun je het dan toch benaderen?

Zelfs als je een vraag niet exact kunt beantwoorden, helpt de nieuwe data wel enorm.
Stel je voor dat je probeert de temperatuur van een kamer te raden zonder thermometer.

Oude methode: "Het ligt ergens tussen 0 en 100 graden." (Niet heel nuttig).
Nieuwe methode: "Met de nieuwe data weten we dat het tussen 20 en 25 graden ligt." (Veel nuttiger).

De auteurs laten zien dat door de nieuwe "wat als"-data te gebruiken, de marges (de onzekerheid) voor onoplosbare vragen veel smaller worden. Je komt dichter bij het echte antwoord, zelfs als je het niet 100% zeker weet.

Samenvatting in één zin

Dit artikel laat zien dat we met een nieuwe manier van experimenteren (het digitaal veranderen van realiteit in video's) veel meer "wat als"-vragen kunnen beantwoorden dan ooit tevoren, maar dat er nog steeds een fundamentele grens is aan wat we precies kunnen weten, en dat we zelfs bij die grens veel scherper kunnen schatten dan voorheen.

Waarom is dit belangrijk?
Dit helpt bij het maken van eerlijke AI-systemen (zoals in het voorbeeld van de snelheidscamera), het begrijpen van medicijnwerkingen, en het nemen van betere beslissingen in een complexe wereld. Het geeft ons een betere kaart om door de mist van onzekerheid te navigeren.

Each language version is independently generated for its own context, not a direct translation.

Probleemstelling

Traditionele methoden voor causale identificatie binnen de Pearl Causale Hiërarchie (PCH) zijn beperkt tot data uit de eerste twee lagen:

L1 (Observatie): Waarnemingen van natuurlijke systemen ( $P(V)$ ).
L2 (Interventie): Data verkregen via experimenten met standaard randomisatie of $do(x)$-interventies ($P(V; do(x))$).

Het wordt algemeen aangenomen dat data uit L3 (Counterfactueel), zoals $P(Y_x = y \mid X = x')$ , niet direct verkregen kan worden en alleen via identificatie (afleiding) uit lagere lagen moet worden geschat. Echter, recent werk (Raghavan & Bareinboim, 2025) heeft aangetoond dat een specifieke familie van counterfactuele verdelingen direct gesampled kan worden via een fysiek experimenteel protocol genaamd counterfactuele randomisatie (ctf-rand). Dit protocol maakt het mogelijk om de waarde van een variabele te manipuleren voor specifieke afgeleiden (bijv. $Y$ ) zonder de natuurlijke waarde van die variabele of andere afgeleiden (bijv. $Z$ ) te beïnvloeden.

De centrale vraag die dit artikel beantwoordt is: Welke counterfactuele grootheden worden nu identificeerbaar nu we toegang hebben tot (een deel van) L3-data? En wat zijn de fundamentele grenzen van exacte causale inferentie in een niet-parametrische setting met deze nieuwe data?

Methodologie

De auteurs ontwikkelen een wiskundig kader en algoritmen om counterfactuele queries te identificeren vanuit een willekeurige verzameling van fysiek realiseerbare input-verdelingen (L1, L2, en L2.5).

1. Het CTFIDU+ Algoritme

Het kernpunt van de methodologie is het CTFIDU+ algoritme (Counterfactual Identification from Un-nested Data Plus). Dit algoritme is een uitbreiding van eerdere methoden (zoals CTFID en IDC*) en werkt als volgt:

Input: Een causale graaf $G$ , een counterfactuele query $P(Y^\star = y)$ , en een set van input-verdelingen geïndexeerd door fysieke acties $A$ (waaronder ctf-rand).
Un-nesting: Het algoritme transformeert geneste counterfactuele queries naar een som van niet-geneste termen.
Factorisatie: De query wordt ontbonden in kleinere ctf-factoren (counterfactuele factoren) gebaseerd op de $c$ -componenten (geconfundeerde componenten) in de graaf.
IDENTIFY+ Subroutine: Een nieuwe subroutine, IDENTIFY+, wordt gebruikt om te bepalen of een specifieke ctf-factor identificeerbaar is vanuit een andere ctf-factor in de input-data.
- Het introduceert een nieuwe datastructuur: de counterfactuele hedge (en thicket). Als een dergelijke structuur wordt gedetecteerd, is de query niet identificeerbaar.
- Het bewijst dat IDENTIFY+ compleet is: het retourneert een uitdrukking als en slechts als de query identificeerbaar is; anders retourneert het 'FAIL'.

2. Definities van Realiseerbaarheid

De auteurs verfijnen de PCH door lagen te definiëren op basis van wat fysiek realiseerbaar is via ctf-rand:

L2.5: De verzameling van alle counterfactuele verdelingen die theoretisch gesampled kunnen worden als men toegang heeft tot ctf-rand voor alle variabelen.
L2.25: Een sub-set van L2.5 waarvoor ctf-rand beperkter is (bijv. niet pad-specifiek).
L3 \ L2.5: Verdelingen die niet fysiek realiseerbaar zijn, zelfs niet in theorie met ctf-rand (bijv. vanwege fundamentele conflicten in de causale structuur).

Belangrijkste Bijdragen

Compleetheid van CTFIDU+:
Het artikel bewijst dat CTFIDU+ een compleet algoritme is voor het identificeren van counterfactuele queries vanuit een willekeurige set van fysiek realiseerbare input-data (inclusief L3-data). Dit omvat en overstijgt eerdere algoritmen die alleen L1 en L2-data aannamen.
Fundamentele Grens van Identificatie (Dualiteit):
De auteurs bewijzen een fundamenteel resultaat (Stelling 4.1): De theoretische limiet voor exacte causale identificatie in een niet-parametrische setting valt samen met de limiet van fysieke data-verzameling.
- Stelling: Een query is identificeerbaar vanuit experimentele en observationele data dan en slechts dan als de verdeling van die query in principe realiseerbaar is via ctf-rand acties.
- Dit impliceert dat er geen manier is om verdelingen in de categorie L3 \ L2.5 exact te identificeren, zelfs niet met de meest geavanceerde counterfactuele experimenten. Voorbeelden hiervan zijn bepaalde vormen van de Natural Total Effect (NTE).
Partiële Identificatie en Schatting van Grenzen:
Voor queries die niet exact identificeerbaar zijn (zoals NTE), tonen de auteurs aan dat toegang tot L2.5-data (via ctf-rand) leidt tot strakkere analytische grenzen dan alleen L1 en L2 data.
- Ze leiden nieuwe analytische formules af voor de grenzen van de Natural Total Effect (NTE) en Natural Direct Effect (NDE) wanneer counterfactuele data beschikbaar is.
- Simulaties bevestigen dat deze extra data de credible intervals (betrouwbaarheidsintervallen) aanzienlijk verkleint in de praktijk.

Resultaten

Algoritmische Succes: CTFIDU+ slaagt erin om queries te identificeren die eerdere methoden (zoals CTFID) als 'niet-identificeerbaar' zouden afwijzen, omdat ze nu rekening houden met de mogelijkheid van L3-data.
Onmogelijkheid Bewezen: Er is een strikte grens getrokken. Queries die behoren tot L3 maar niet tot L2.5 (zoals $P(Y_x \mid Z_{x'}, x'')$ in bepaalde grafen) zijn fundamenteel niet identificeerbaar. Dit betekent dat er geen causale assumpties of algoritmen zijn die deze kunnen oplossen zonder de graafstructuur te veranderen of extra aannames te doen.
Praktische Toepassing: In voorbeelden zoals een 'Traffic Camera' scenario (fairness auditing) en 'Unit Selection' (drug de-addiction), toont het artikel aan dat het gebruik van counterfactuele randomisatie leidt tot:
- Exacte identificatie van de NDE (die eerder onmogelijk was).
- Significant nauwkeurigere schattingen voor de NTE, waardoor betere beslissingen genomen kunnen worden over behandelingsstrategieën.

Significantie

Dit werk heeft diepgaande implicaties voor het veld van causale AI en machine learning:

Herdefinitie van Causale Grenzen: Het doorbreekt het dogma dat L3-data onbereikbaar is. Het toont aan dat met specifieke experimentele opzetten (ctf-rand) we de "muur" van de causale hiërarchie kunnen doorbreken voor een specifieke sub-set van queries.
Dualiteit van Identificatie en Realiseerbaarheid: Het stelt een fundamentele link tussen wat we kunnen berekenen (identificatie) en wat we kunnen meten (realiseerbaarheid). Als iets niet gemeten kan worden (zelfs in theorie), kan het ook niet exact worden berekend.
Toepassing in Fairness en XAI: Voor toepassingen zoals algoritmische eerlijkheid en Explainable AI (XAI), waar counterfactuele redenering essentieel is (bijv. "Zou deze persoon een boete hebben gekregen als de auto een andere kleur had?"), biedt dit werk een methodologisch kader om deze vragen te beantwoorden of, indien niet mogelijk, de onzekerheid kwantitatief te minimaliseren.
Experimenteel Ontwerp: Het werk suggereert een nieuwe richting voor experimenteel ontwerp: wetenschappers zouden experimenten moeten ontwerpen die specifiek gericht zijn op het verzamelen van realiseerbare counterfactuele data (L2.5) om de grenzen van wat identificeerbaar is, te maximaliseren.

Samenvattend biedt dit artikel een complete theoretische en algoritmische oplossing voor het probleem van causale identificatie in een wereld waar counterfactuele data niet langer slechts een theoretisch concept is, maar een fysiek realiseerbare bron van informatie.