Partial Identification under Causal Orders by Linear Programming

在因果关系的领域中，我们经常会提出超越简单观察的“如果……会怎样”的问题。我们不仅想知道发生了什么，还想知道如果做出了不同的选择，情况会如何变化。是某种特定的治疗挽救了一位患者的生命，还是即便没有治疗他们也会康复？一项政策的变化改善了经济，还是这种改善本就是必然？为了能够确定地回答这些问题，科学家通常需要一张关于作用力的完整地图，一份详细的图表，精确展示每一个因素是如何影响其他因素的。这张地图被称为因果图。由于缺乏这张地图，答案往往隐藏在可能性的迷雾之中。几十年来，研究人员在面对缺失或不完整的地图时，一直难以理清这些“如果……会怎样”的情景，往往被迫依赖粗略的猜测，或者不得不承认该问题无法得到解答。

两位研究人员，埃里克·罗塞托（Eric Rossetto）和亚历山德罗·安东努奇（Alessandro Antonucci），开发了一种导航于这片迷雾中的新方法。他们意识到，即使没有完整的地图，一个“如果……会怎样”的问题本身也包含其内在逻辑。如果你询问改变一件事如何影响另一件事，这个问题本身就隐含了一个序列：改变必须发生在结果之前。通过关注这种内在的顺序，研究人员创建了一种方法，可以在无需假设特定因果图的情况下，计算出这些反事实问题的最紧凑的答案范围。他们的工作将一个复杂的、往往是不可能的猜谜游戏，转化为了一个结构化的计算过程，能够根据我们现有的数据和问题本身的逻辑，得出可能性的精确边界。

他们发现的核心在于认识到，每一次关于因果关系的探询都携带了一条关于时间和顺序的隐藏指令。当我们询问某种治疗是否导致了某种结果时，我们含蓄地表达了治疗发生在先。研究人员表明，这种简单的排序足以构建一个数学框架，用以测试与该顺序一致的所有可能的现实排列方式。他们并没有试图去猜测因果网络的确切形状，而是建立了一个系统，去探索由数据和问题逻辑所允许的整个可能性景观。他们证明了该系统可以找到任何此类问题的最佳和最差情况，从而提供一个保证包含真实答案的范围。

为了实现这一点，团队求助于一种被称为线性规划的强大数学工具，这本质上是一种在具有许多约束条件的系统中寻找最优解的方法。他们将猜测因果效应的问题转化为一组计算机可以求解的规则。想象一下，存在着一个关于世界运作方式的所有可能故事的巨大空间。有些故事符合我们收集的数据，而另一些则不符合。研究人员的方法过滤了这个空间，仅保留那些尊重问题所隐含的顺序以及观测数据的故事。在这个过滤后的空间内，他们计算了目标事件可能发生的概率的最低值和最高值。他们证明了这些计算出的极限不仅仅是粗略的估计，而是最尖锐的边界。他们证明了确实存在符合所有数据和问题逻辑的真实且具体的现实模型，并且能产生恰好处于这些上下限的结果。这意味着他们提供的范围并非其方法的产物，而是对我们当前知识水平下可能性的真实反映。

当观察曾经让专家们困惑的问题时，这种方法的威力变得清晰可见。研究人员将他们的方法应用于科学文献中的几个经典问题，包括涉及医疗手段和社会政策的情景。在一个涉及大学录取的著名案例中，研究人员长期以来一直在争论性别是否影响了录取率，而新方法提供了一个宽泛但诚实的可能性范围。此前的分析假设了性别与专业选择之间存在一种特定的、僵化的相互作用结构，并得出了一个表明不存在歧视的单一且精确的数字。然而，研究人员的方法拒绝做出这些未经证实的结构性假设，它显示出真实的答案可能处于一个更宽泛的区间内。这种更宽的范围并不意味着答案以一种无用的方式未知；相反，它揭示了早期研究中的精确数字高度依赖于可能并不成立的假设。通过移除这些假设，研究人员表明，“不存在歧视”这一结论的确定性远比之前认为的要低。

这项工作还延伸到了涉及“嵌套”情景的更复杂问题，即一个“如果……会怎样”被埋在另一个之中。例如，询问如果一名患者服用了某种药物，但前提是他们也被分配到了特定的实验组，情况会如何。这些层层递进的问题在没有完整因果图的情况下是极难回答的。研究人员表明，他们的方法处理这些嵌套层级时与处理简单层级一样有效。他们证明，通过将这些复杂的查询分解为逻辑组成部分，同样的数学机制可以找到最紧凑的边界。在测试中，他们发现尝试将多个独立的、较简单的答案结合起来以构建一个复杂的答案，往往会导致更宽、更无用的范围。然而，他们直接针对复杂问题进行处理的方法，却得到了显著更紧凑且更具信息量的结果。

研究人员也谨慎地承认了其方法所涉及的权衡。由于他们不假设特定的因果图，因此他们计算出的范围自然比那些对变量间连接方式做强假设的研究要宽。一项假设了特定图谱的研究可能会产生一个非常狭窄、精确的答案，但这种精确性是以可能出错为代价的——如果假设的图谱是错误的。新方法为了可靠性牺牲了这种狭窄性，确保真实答案绝不会被排除在范围之外。他们证明，这种可靠性并非弱点，而是一种优势，尤其是在医学和社会科学等真实因果结构往往未知或存在争议的领域。

最终，这项研究为思考不确定性提供了一种新途径。它表明，我们不需要了解关于世界的全部信息，也能在理解因果关系方面取得有意义的进展。通过利用问题本身固有的逻辑结构，我们可以从数据中提取最大限度的信息，而不至于跨越到毫无根据的假设中去。研究人员提供了一个工具，使科学家能够以数学上的确定性说出：“答案就在 X 和 Y 之间”，即使他们无法准确指出具体位置。这种在不需要完整领土地图的情况下，定义可能性的边界的能力，代表了我们在面对知识难以完全获取的世界时，在推理过去与未来方面迈出的重要一步。