多原因：一种因果图视角

未观测混杂是基于观测数据因果推断的主要障碍。混杂变量——同时影响原因与结果的变量——在两者之间诱导出虚假的非因果相关。Wang & Blei（2018）以“多原因的福祉”降低了这一障碍，其中多原因的相关结构为未观测混杂提供了间接证据。他们利用称为去混杂器（deconfounder）的算法来利用这些福祉，该算法使用概率因子模型来校正混杂变量。本文中，我们从事因果图视角看待去混杂器。在一个编码共享混杂的图中，我们展示原因的多重性如何帮助识别干预分布。随后我们论证去混杂器的合理性，表明其对干预做出有效推断。最后，我们将图类及其理论扩展到包含其他混杂变量与选择变量的图。我们的结果拓展了 Wang & Blei（2018）的理论，为去混杂器在因果图中的使用提供正当理由，并扩展了可使用它的设定。