如何解釋 Pearl 的 do 表示法？
我正在閱讀 Dragonnet 論文（此處提供幻燈片），作者使用 Pearl 的 do 表示法來提出這一主張：
如何解釋 do 符號？作者是否聲稱平均治療效果是對整個人群進行治療的結果預期與對整個人群未進行治療的相同預期之間的差異？
如果是這樣，為什麼對混雜效應的調節會消除這種需要？
do 符號的正確解釋是表達式 $ \operatorname{do}(X=1) $ 意味著你在強迫 $ X $ 擁有價值 $ 1. $ 你正在干預以實現這一點。在有向無環圖 (DAG) 上下文中，符號 $ \operatorname{do}(X=1) $ 意味著你做三件事：
- 刪除所有進入的箭頭 $ X. $
- 更換節點 $ X $ 與價值 $ 1. $
- 相應地更新結構因果模型。這假設您有一個結構因果模型。
在實驗環境中，將變量（或因子）強制為特定值以消除不需要的變化是司空見慣的。珍珠引入的眾多好處之一 $ \operatorname{do} $ 表示我們現在可以將實驗假設和程序編入一個易於分析的框架中。
你寫了：
作者是否聲稱平均治療效果是對整個人群進行治療的結果預期與對整個人群未進行治療的相同預期之間的差異？
答案是“是”，如果您將“被視為”的話解釋為 $ \operatorname{do}(X=1) $ 和“不被視為” $ \operatorname{do}(X=0). $ do-calculus、後門標準、前門標準、工具變量等的主要目標是將包含 do 運算符的因果表達式簡化為不包含 do 運算符的概率表達式。這樣，您可以使用您的數據評估結果。
問題是，一般來說， $ P(Y|\operatorname{do}(X=x))\not=P(Y|X=x). $ 因此，您擁有了 Pearl 和其他人提出的這些程序，用於從表達式中刪除 do 運算符。
你寫了
如果是這樣，為什麼對混雜效應的調節會消除這種需要？
閱讀《統計中的原因或因果推理**之書：入門》以了解其工作原理。事實上，我們真正知道什麼是混雜變量（一個設置從原因到結果的後門路徑的變量）是新因果革命給我們帶來的最有價值的東西之一。