技术摘要：因果数据融合中的聚类与剪枝

问题陈述

本文探讨了一般因果效应识别问题，即如何结合来自多个来源的观测数据与实验数据，以识别在任何单一数据源中都无法识别的因果效应 $p(y \mid do(x))$。虽然 do-演算 (Pearl, 1995) 是处理此类任务的通用工具，但基于它的算法（如 Do-search）在变量数量增加且因果图变得复杂时，面临着显著的计算挑战。

现有的针对特定场景（如 g-可识别性、g-可迁移性）的识别算法通常依赖于严格的假设，例如要求观测变量与干预变量的并集覆盖所有内生变量的完整联合分布。相比之下，现实世界的因果数据融合往往涉及部分重叠的输入分布（例如，一个来源测量 $p(x, z)$，而另一个测量 $p(z, y)$），目前尚无算法能在不诉诸高昂计算成本的搜索法的情况下确定其可识别性。

核心挑战在于，通过预处理来减小因果图的大小并不自动保证保留因果效应的可识别性。如果对图进行了修改，无法保证在修改后的图上进行的推断可以回溯到原始图中。本文旨在建立严谨的条件，规定在何种情况下可以将剪枝（移除变量）和聚类（合并变量）应用于因果数据融合问题，而不改变可识别性的状态。

方法论

作者提出了一个用于处理多数据源背景下因果图预处理的框架。他们推广了以往（Tikka 和 Karvanen, 2018; Tikka 等人, 2023）仅限于单观测数据源的研究结果。

1. 剪枝 (Pruning)

剪枝是指移除对于特定因果效应识别无关的变量。本文推导了在存在多个输入分布 $I = \{p(a_i \mid do(b_i), c_i)\}$ 情况下的三个剪枝定理：

• 定理 7（剪枝非祖先变量）： 只要变量不涉及任何输入分布的条件集或干预集，且不是响应变量 $Y$ 的祖先，则可以将其移除。
• 定理 8（剪枝干预后变量）： 在对 $X$ 进行干预后与 $Y$ 变为 d-分离的变量可以被移除，前提是必须满足确保移除操作不会改变 $X$ 成员之间的 d-分离属性，且不违反输入分布的结构。
• 定理 9（剪枝孤立顶点）： 如果顶点仅通过单个变量与图的其余部分连接，且不属于任何输入分布的条件集或干预集，则可以将其移除。

2. 聚类 (Clustering)

聚类将一组顶点 $T$ 替换为单个顶点 $\mathcal{T}$。本文重点研究了传递聚类 (transit clusters)，其定义为信息从“接收器”（具有外部父节点的节点）以特定且统一的方式流向“发射器”（具有外部子节点的节点）的顶点集合。

• 定义 13（传递聚类）： 若一个集合 $T$ 中的所有接收器共享相同的外部父节点，所有发射器共享相同的外部子节点，且内部连通性确保每个节点都与一个接收器或发射器相连，则称 $T$ 为传递聚类。
• 识别不变性： 本文引入了 算法 1 (VerifyInputs) 来检查聚类操作是否保持了可识别性。
  • 定理 17： 如果一个因果效应在聚类图中是可识别的，那么它在原始图中也是可识别的。
  • 定理 18： 如果一个因果效应在聚类图中不可识别，且 VerifyInputs 返回 TRUE，那么它在原始图中也是不可识别的。
  • 定理 19： 在接收器和发射器相交（即一个节点既是接收器又是发射器）的特殊情况下，聚类始终具有识别不变性。

3. 恢复识别泛函 (Recovering Identifying Functionals)

本文展示了从剪枝或聚类图中得到的识别泛函如何映射回原始图：

• 定理 20： 对于剪枝，识别泛函保持不变（$f(I) = g(I')$）。
• 定理 21： 对于聚类，通过将聚类变量 $\mathcal{T}$ 替换为对应于输入分布中的原始聚类 $T$ 的特定子集来获得泛函。

主要结果

1. 向多源问题的推广： 作者成功地将剪枝和聚类的不变性结果从单源设置扩展到了包含多个部分重叠数据源的一般情况。这并非易事，因为当完整的分布不可用时，标准的 c-组件 (c-components) 和潜在投影 (latent projections) 等概念是难以定义的。
2. 算法验证： VerifyInputs（算法 1）的开发提供了一种实用的方法，用于确定聚类图中的不可识别性是否意味着原始图中的不可识别性，这是避免假阴性的关键步骤。
3. 计算效率： 使用 Do-search 对 108,933 个实例进行的模拟研究表明，缩减策略（剪枝 + 聚类）在处理大型图时明显优于直接策略（在原始图上运行 Do-search）。
   • 对于 12 个顶点的图，在不可识别情况（设置 B）下，中位时间节省超过 12 分钟。
   • 检查剪枝/聚类条件的开销微乎其微（中位数 < 0.05 秒）。
   • 在缩减策略不适用的情况下，时间惩罚极小。
4. 实际应用： 这些方法被应用于两个现实案例：
   • 婴儿死亡率研究： 展示了如何通过剪枝将复杂的图简化为可识别二手烟对烟草价格影响的规模。
   • 动脉粥样硬化研究 (ELSA-Brasil)： 展示了如何通过聚类变量（如社会经济因素）来评估可识别性，而无需了解聚类的详细内部结构，只要满足特定条件即可。

意义与主张

本文声称，剪枝和聚类是因果数据融合中必不可少的预处理工具，特别是在当前多项式时间算法不适用的部分重叠数据场景下。

• 效率： 主要意义在于降低计算负载。通过在应用基于搜索的识别算法之前减小图的大小，该方法使得识别更大型、更复杂模型中的因果效应变得可行。
• 简化： 这些方法允许以更简洁的形式呈现因果图和更简单的识别泛函。
• 数据收集规划： 作者指出，这些技术可以指导数据收集策略。如果一个变量可以被剪枝，则无需对其进行测量。如果使用传递聚类，则只需测量聚类的“发射器”即可保持可识别性。
• 理论贡献： 本研究提供了识别不变性的充分条件，且不依赖于需要完整分布知识的概念（如 c-组件、hedge）。这填补了理论因果推断与实际数据融合约束之间的空白。

作者对研究范围保持谦逊，指出其结果适用于边缘因果效应 (marginal causal effects)，并且在处理不受约束的一般情况时，do-演算的完备性仍是一个开放性的理论问题。他们强调，应用这些操作是研究者的决策，需要在计算收益与潜在的解释性损失或对特定领域知识的需求之间进行权衡。