线性高斯网潜混淆致贝叶斯因果发现失效

背景

贝叶斯因果发现因其能够通过后验推断量化有向无环图（DAG）上的认知不确定性而被广泛应用。该方法将图结构视为随机变量，通过观测数据更新其概率分布，从而为因果结构的学习提供了一种自然的置信度度量。然而，潜在混淆变量（即未被观测到且同时影响多个观测变量的变量）的存在对贝叶斯因果发现的影响至今仍未被充分理解。现有工作通常只是指出混淆会破坏模型的可识别性，却未能刻画后验分布在混淆下的具体变化规律。这一空白限制了贝叶斯方法在实际应用中（如流行病学、经济学、社会科学）的可靠性，因为真实数据几乎不可避免地包含潜在混淆。

核心内容

本研究针对线性高斯因果模型（Linear Gaussian Causal Models）中的潜在混淆问题，系统分析了当存在恰好两个观测变量之间的加性潜在混淆（additive latent confounding）时，贝叶斯后验分布的行为。作者通过理论推导和精确后验计算，揭示了以下关键结论：

1. 临界相关阈值的推导：研究发现存在一个关于混淆变量之间观测相关性的临界阈值。当两个被混淆的观测变量之间的样本相关系数超过该阈值时，贝叶斯评分函数（如BIC或后验概率）将倾向于选择在两者之间包含一条虚假直接边（spurious edge）的图结构，而不是正确的无直接边结构。

2. 阈值随样本量变化：该临界阈值并非固定值，而是随着样本量增加而降低。这意味着，当数据量增大时，即使更小的观测相关性也足以使后验概率偏向虚假边。换言之，更多数据并不能缓解混淆带来的偏差，反而会加剧贝叶斯方法对虚假因果关系的错误支持。

3. 两种后验失败模式：在相关系数超过阈值后，模型会进入两种不同的失败模式，具体取决于混淆变量周围的局部结构：

   • 模式一：当混淆变量本身是其他变量的共同原因（即它们在局部结构中处于“上游”位置）时，后验分布可能完全支持包含虚假边的图，而正确图结构的后验概率趋近于零。
   • 模式二：当混淆变量是其他变量的共同效应（即处于“下游”位置）时，后验分布可能将虚假边与正确结构混合，但虚假边的概率仍占主导，且局部结构的不确定性增大。

这些结果通过多个不同图结构上的精确后验计算得到了验证，展示了理论预测的准确性。

关键要点

• 贝叶斯因果发现在线性高斯模型下面对两个观测变量间的加性潜在混淆时，存在一个临界相关系数阈值，超过该阈值后验分布会偏好包含虚假边的图。
• 该临界阈值随样本量增加而减小：样本越大，越小的相关性就足以导致后验失败。
• 混淆变量周围局部拓扑结构（共同原因 vs 共同效应）决定了后验失败的具体模式，但两种模式均导致虚假边的概率占据主导。
• 传统认为“更多数据有助于识别因果关系”的观点在潜在混淆下可能失效：数据增加反而会强化虚假因果关系的后验置信。
• 研究基于精确后验计算而非近似推断，保证了结论的可靠性。

意义与影响

这项研究首次从后验分布的角度系统刻画了贝叶斯因果发现在潜在混淆下的失败机制，而非仅仅指出可识别性问题。其直接意义在于：

• 理论贡献：给出了潜在混淆导致贝叶斯后验偏移的定量条件（临界阈值）和定性行为（两种失败模式），为理解贝叶斯因果发现的局限性提供了清晰框架。
• 实践警示：对于实际应用者，该结果提醒不能盲目依赖贝叶斯方法在存在潜在混淆时的结论，即使后验概率很高，也可能只是虚假因果关系。尤其在高样本量场景下，误判风险反而增大。
• 方法学启发：为改进贝叶斯因果发现算法指明了方向——例如引入对潜在混淆的显式建模、使用后验预测检查或敏感性分析，或发展非参数混淆处理策略。
• 可复现性：论文提供了在多个图结构上的精确计算示例，方便其他研究者验证和扩展。

该工作可能推动因果发现领域更深入地研究后验分布在模型错误设定下的行为，并为开发更鲁棒的贝叶斯因果推断工具奠定基础。