Identifying Macro Causal Effects in C-DMGs over DMGs

第一个误会是：C-DMG 只是把一张大 DAG 缩小显示，所以在 cluster nodes 上照用 d-separation 即可。

这里有两层比“缩图”更困难：

1. 底层不是必然 acyclic，而是 ioSCM-induced directed mixed graph (DMG)，允许 directed cycles 与 latent-confounding bidirected edges；
2. Cluster graph 只说明不同 clusters 之间“至少存在某条 micro edge”，并不告诉你是哪两个 micro variables 相连。

同一张 C-DMG 可兼容许多 micro-level DMGs。Cluster-level cycle 还可能有两个来源：底层真的存在跨 cluster feedback，或底层本来没有同一条 directed cycle、只是不同 micro edges 聚合后形成 apparent cycle。

第二个误会是论文已经证明“σ-based do-calculus 对任意 cyclic DMG 的因果效应识别 complete”。正文 Section 4 明确保留这个 open boundary：Theorem 4 的 completeness 连接的是 C-DMG rule applicability 与某个 compatible/maximal DMG 的 rule applicability；它没有证明 σ-separation/do-calculus 在所有 DMGs 上本身对 causal-effect identification complete。

因此摘要里的 unconditionally sound and complete 要带 scope 读：相对于先前 C-DMG-over-ADMG 结果，不再要求 cluster size >1 才得到 cluster-to-compatible-graph 的 calculus correspondence；不等于整个 cyclic causal identification theory 已封闭。

第三个误会是“没有 SC-hedge就可识别”。Theorem 5 只证明：在 cycle 中每个 cluster 至少含 2 个 variables 时，存在 SC-hedge 足以推出 non-identifiability。论文自己说该 graphical characterization 未证明 complete；absence of witness 不是 identification certificate。

这是一个重要的 formal bridge paper：它告诉我们 coarse cyclic graph 上哪些 separation/calculus statements 对所有底层兼容世界保持有效。它没有提供一个开箱即用的 complete identification algorithm，也没有 empirical benchmark。

想象公共卫生研究把数十个指标聚成三组：

C_M = mental-health cluster
C_S = substance-use cluster
C_C = social-context cluster

专家较有把握地说：

C_M -> C_S
C_S -> C_M        # feedback
C_C -> C_M
C_C <-> C_S       # 可能共享 latent social cause

但这不表示“depression score 直接导致 alcohol use、alcohol use 又在同一时刻直接导致 depression score”。两条 cluster arrows 可能分别来自不同 micro variables、不同路径或真实 fixed-point feedback。

现在问题不是“cluster 相关吗”，而是：

如果同时 intervention on 整个 C_S cluster，把所有相关 micro variables 设为某组值，C_M 的 joint distribution 会怎样？这个 macro do-query 能否由 observational distribution 唯一算出？

论文像一位规则审计员：它不猜底层哪张 micro graph 是真图，而是检查某个 separation 或 do-calculus step 是否对每一张 compatible DMG都成立。只要有一张 compatible world 让同一步失效，coarse graph 就不能保证该推导。

1. ioSCM 与 DMG

普通 acyclic SCM 可以按 topological order 计算 variables。ioSCM 允许一组 variables 相互依赖，例如：

并通过 simultaneous fixed-point solution 定义这一 loop。把 latent variables 投影掉后，observed/intervention variables 形成 DMG：

• directed edge X -> Y：X 进入决定 Y 的 mechanism；
• bidirected edge X <-> Y：存在 latent variable 同时影响二者；
• directed cycles：允许 feedback。

2. Cluster graph 保留什么、丢掉什么

给 micro variables 一个 partition C={C1,...,Ck}。若任意 Vi∈Ci 到 Vj∈Cj 有 directed edge，cluster graph 加 Ci->Cj；若任意 pair 有 bidirected edge，加 Ci<->Cj。

它保留：

• cluster 间至少存在 causal influence / latent confounding；
• coarse reachability、cycle 与 separation clues。

它丢掉：

• 哪个 micro variable 连哪个；
• cluster 内 edges/cycles；
• 同一 cluster edge背后有多少条路径；
• compatible micro graph 的唯一性。

3. Macro effect 到底是什么

对 disjoint cluster sets C_X, C_Y，macro query 是：

这里 intervention 同时设定 exposure clusters 内的全部 micro variables。它不是“从 cluster 中挑一个 variable”的 micro effect，也不是 cluster-level regression coefficient。

Identifiable 意味着：对任何与 C-DMG compatible 的 positive observational distribution，该 query 都能唯一写成无 do 的 observational expression。Positivity/estimation quality仍是额外问题。

4. σ-separation 为什么替代 d-separation

在 DAG/ADMG 中，conditioning on non-collider 通常 block path。Cycle 内情况不同：一个 conditioned node 若和相邻 node 位于同一 strongly connected component，feedback 可能让信息路径仍有效。σ-separation 的 blocking rule显式检查 Scc(V,G)，因此适用于 cyclic mixed graph。

读者不必先记五条 walk clause，先记住：

d-separation assumes acyclic directed structure
σ-separation knows that conditioned variables inside a directed feedback component
cannot always be treated like ordinary non-colliders

5. Evidence object

本文没有 dataset 或 estimator：

• input：C-DMG、cluster partition、macro query；
• target：identifiability / non-identifiability；
• tool：σ-separation + do-calculus；
• proof object：maximal compatible DMG、SC-projection、SC-hedge；
• empirical result：none。

一个 reader-facing 的 identification workflow 可以写成：

定义 micro variables 与 cluster partition
-> 给出可用 C-DMG（directed + bidirected cluster edges）
-> 明确 macro exposure C_X 与 macro outcome C_Y
-> 构造 intervened / extended cluster graph
-> 用 σ-separation检查 do-calculus Rule 1/2/3 条件
-> 每应用一条 rule，就删除 observation、交换 action/observation，或删除 action
-> 若所有 do-operators 被消掉，得到 observational functional：identified
-> 若推导卡住，检查 maximal compatible DMG 与 SC-projection
-> 若满足 Theorem 5 且存在 SC-hedge：certified non-identifiable
-> 若既没找到 derivation、也没找到 witness：status 是 unresolved，不是假定 identifiable

三条 calculus rules 的动作含义

在对应 σ-separation 条件成立时：

1. Rule 1：insert/delete observations；
2. Rule 2：exchange action and observation；
3. Rule 3：insert/delete actions。

论文 Theorem 3 证明：若 rule 在 cluster graph 上的 σ-condition成立，同一 rule 在每个 compatible micro DMG 上也成立，所以推导是 sound 的。

Maximal compatible DMG 做什么

它把每条 cluster edge展开成相应 clusters 间所有 possible micro edges，成为包含任意 compatible DMG 的 maximal graph。Theorem 2/4 的 completeness proof 使用它构造一个 witness：如果 cluster graph 上某 separation/rule 不成立，至少存在这张 compatible maximal DMG 保留 failure。

这不是在说 maximal graph 是真实 world；它是反例构造工具。

SC-projection 做什么

对同一 strongly connected component 内不同 clusters，SC-projection 添加 dashed bidirected edges；再在 projection 中寻找 ordinary hedge。若 cyclic clusters size≥2 且出现 hedge，Theorem 5 把它升级成 macro effect non-identifiability certificate。

用论文 Example 4 的 macro front-door structure，并加一组数字，走完一次“coarse graph 仍能识别”的 calculation。

Cluster graph 是：

C_X -> C_W -> C_Y
C_X <--------> C_Y

C_X 与 C_Y 有 latent confounding，但 C_W intercepts directed effect，满足 macro front-door 的相应 separation conditions。σ-separation 在该 acyclic special case 与 d-separation一致，do-calculus给：

假设所有 clusters 暂时压成 binary macro state，observational quantities 是：

| Quantity | Value | |---|---:| | P(C_X=1) | .4 | | P(C_W=1 | C_X=1) | .8 | | P(C_W=1 | C_X=0) | .2 | | P(C_Y=1 | C_W=0,C_X=0/1) | .1 / .3 | | P(C_Y=1 | C_W=1,C_X=0/1) | .6 / .8 |

先对 C_X' 做内层平均：

对 do(C_X=1)，mediator C_W 为 1 的概率 .8：

对 do(C_X=0)：

Macro risk difference 是 .30。

这个手算证明了什么

它展示：即使 C_X<->C_Y confounded，coarse cluster graph 中的 macro query 仍可能通过 do-calculus化成 observations。我们不需要知道每条 micro edge。

它没有证明什么

• 这些 binary cluster states 是合理 measurement；
• 任意 micro intervention 的 effect 等于 simultaneous cluster intervention；
• 图中有 arbitrary feedback 时同一 front-door formula仍成立；
• finite sample estimator准确；
• absence of an SC-hedge 就保证可识别。

真正 cyclic example 要逐步检查 σ-separation与 strongly connected components；不能把上述 acyclic special case机械复制过去。

Theorems 1–2：cluster σ-separation 的 soundness 与 completeness

Theorem 1：若 C_X 与 C_Y 在 C-DMG 中被 C_W σ-separated，则对所有 compatible DMGs，clusters 对应的 micro sets X,Y 也被 W σ-separated。

Theorem 2：若 cluster graph 上不 σ-separated，则存在一个 compatible DMG 也不 separation；proof明确构造 maximal compatible DMG。

合起来，它们说明 cluster graph 恰好捕捉所有 compatible micro graphs 共同保证的 macro σ-separations。它不保证真实 micro graph 的额外 independences都能从 coarse graph 看见。

Theorem 3：三条 σ-do-calculus rules sound

若 C-DMG extended/intervened graph 上相应 σ-separation成立，则 Rule 1/2/3 的 probability equality 在所有 compatible ioSCM-induced DMGs成立。Figures 2a/2c 的 query可直接用 Rule 2 得：

Figure 2d 的更复杂 cyclic/confounded example 通过 total probability、两次 Rule 2、一次 Rule 3、再一次 Rule 2，把：

化成：

这是一条 paper-specific、真正跨 cycle 的 identification sequence。

Theorem 4：completeness 的准确范围

若某条 do-calculus rule 在 C-DMG 不适用，存在 compatible maximal DMG 使对应 rule 也不适用。它排除“cluster graph 看似卡住，但所有 compatible DMGs 上同一 rule其实都可用”。

但论文自己写明两层限制：

1. 不同 compatible DMGs 可能用不同 rule sequences，最后却得到相同 identifiable functional；Theorem 4 不统一处理这种 situation；
2. σ-based do-calculus 在 arbitrary DMGs 上本身尚未证明 full completeness。

所以不能把 Theorem 4 简化成“任何 cyclic macro query，识别得到就一定由当前 calculus找到”。

Theorem 5：SC-hedge 是有条件的 sound non-ID witness

若 every cluster in a cycle size≥2，且 SC-projection中有 (C_X,C_Y) hedge，则 macro effect non-identifiable。该 size assumption让 C-DMG 即使有 cycle 也存在用于 prior result 的 compatible ADMG construction。

论文没有发现 completeness counterexample，但也没有证明 SC-hedge criterion complete。科学写法必须保留 open problem。

证据结构

强项

1. 同时处理 structural cycles 与 partial cluster specification。 不是只允许 cluster graph表面有 cycle、底层仍限定 ADMG。
2. 严格分开 micro DMG 与 macro C-DMG。 Compatible-world quantification让 coarse claim的语义清楚。
3. 给出真正可执行的 do-calculus examples。 Figure 2d 明确展示 cycle/confounding 下如何消掉 do-operators。
4. completeness proof有 constructive maximal graph witness。 不成立时不是抽象说“可能有反例”。
5. 主动承认 theorem stack 的 completeness gap。 Section 4 没把 cluster correspondence夸成整个 cyclic identification closed form。

需要克制

1. Cluster partition被当作给定且正确。 现实中怎样聚合变量本身会改变 cycle、confounding 与 query meaning。
2. Macro intervention很强。 同时设定整个 cluster可能不具备现实 manipulability，也可能有多个版本的 treatment。
3. Identifiability不是 estimability。 positivity、sample size、measurement error与 estimator variance 全部未处理。
4. Theorem 4 容易被标题/摘要过读。 它是 cluster-to-compatible-DMG calculus correspondence，不是所有 DMG queries 的 ultimate completeness theorem。
5. SC-hedge只有 sufficiency。 unresolved cases仍需 rule search、compatible-graph reasoning或新 theory。

总体评价：这是一个清晰扩展 causal identification language 的理论工作，对任何想写 feedback、macro mechanisms、coarse graphs 的项目都很有约束力；它的价值恰恰在精确 scope，而不是把所有循环系统都宣布“可用 do-calculus解决”。

1. σ-do-calculus 在 arbitrary DMGs 的 full completeness 未证明。 Cluster theorem继承这个底层 open problem。
2. 不同 compatible DMGs 的不同 rule sequences 可能汇合。 Theorem 4 不完全覆盖这种 functional equivalence。
3. SC-hedge criterion 未证明 complete。 无 witness 不能判定 identified。
4. SC-hedge theorem需要 cyclic clusters size≥2。 Single-variable cyclic cluster不在该 non-ID guarantee 内。
5. Cluster partition外生给定。 错误、任意或 data-driven grouping 的 sensitivity 未分析。
6. 只研究 macro effects。 Cluster内某个 variable intervention到另一 micro variable的 effect不是本文 target。
7. Macro intervention的 consistency/manipulability未展开。 一个 cluster assignment可能对应多种现实操作版本。
8. Positive observational distribution是假设的一部分。 Sparse support / deterministic relations 会让 identified formula无法估计。
9. No finite-sample statistics。 没有 estimator、confidence interval、sample complexity 或 robustness analysis。
10. Graph被视为正确。 Edge uncertainty、orientation error、latent-confounder misspecification未进入 theorem。
11. ioSCM fixed-point existence/uniqueness依赖 compatibility conditions。 现实 dynamical systems可能多 equilibrium 或不收敛。
12. Cycle不等于 time dynamics。 Equilibrium cyclic model不能自动回答 intervention timing、transient effect或lag。
13. No implementation。 没有自动 rule-search / SC-hedge detector可直接验证大图。
14. Abstraction可能隐藏关键 heterogeneity。 Macro effect identified，不代表所有 compatible micro mechanisms有相同科学解释。

• 用 graph enumeration 在小 C-DMG 上穷举 compatible DMGs，machine-check Theorems 1–4 的 separation/rule correspondence；
• 实现自动 σ-separation、do-calculus rule search、maximal-compatible-DMG 与 SC-hedge detector；
• 对 unresolved graphs搜索 SC-hedge completeness counterexample或给出 complete criterion；
• 形式化“different rule sequences, same functional”的 equivalence class；
• 把 core proofs移植到 Lean/Coq/Isabelle等 proof assistant；
• 研究 cluster partition refinement/coarsening 如何改变 identifiability；
• 允许 uncertain partitions 与 probabilistic edge knowledge，给 robust identification bounds；
• 为 identified functionals开发 finite-sample estimators与 positivity diagnostics；
• 在 known-feedback engineering/biological simulator中验证 cluster formula 与 micro intervention aggregate一致；
• 区分 equilibrium intervention、transient intervention 与 lagged effect；
• 构造相同 C-DMG、不同 compatible micro DMGs的 paired worlds，展示 macro ID与micro ambiguity怎样共存；
• 研究 single-variable cyclic clusters 下的 non-identifiability criterion。

它可以支持：

• ioSCM-induced DMGs提供含 cycles/latent confounding 的底层对象；C-DMG可表达其 cluster abstraction；
• cluster graph上的 σ-separation statements对所有 compatible DMGs sound，并在存在-compatible-witness意义下 complete；
• σ-based do-calculus rules可在 C-DMG over DMGs上安全用于 macro query；
• 相比先前 C-DMG-over-ADMG result，该 cluster-to-compatible-DMG correspondence不需 general cluster-size restriction；
• paper examples中某些 cyclic/confounded macro effects可化成observational expressions；
• 在 cycle clusters size≥2时，SC-hedge足以认证 macro effect non-identifiable。

它不能支持：

• arbitrary cyclic DMG中的所有 identifiable effects都能被当前 calculus找到；
• 没有 SC-hedge就一定 identified；
• cluster-level effect识别等同于 micro mechanism识别；
• cluster partition可从 data自动正确发现；
• identified formula在有限数据中一定可准确估计；
• equilibrium cycle自动代表 dynamic/time-lag causal process；
• 当前研究已解决 P19/P20 的 cyclic mechanism preservation；
• DiscoSCM替代 σ-separation、do-calculus或 ioSCM。

L04 给当前 mechanism-preservation / dynamic-causality 方向一个严格的 object ladder：

micro variables and mechanisms
-> compatible variable-level DMGs
-> cluster partition
-> available C-DMG
-> macro do-query
-> identifiability status
-> finite-data evidence
-> decision

跳过中间层，直接从“macro edge stable”说“underlying mechanism preserved”是不成立的。不同 micro DMGs可投影到同一 coarse graph；cluster cycle还可能只是 aggregation-induced。

对 P19，安全 grow方向是先选一个具体 macro query，写明 cluster partition、genuine/apparent cycle、compatible-graph ambiguity与识别序列。没有 query就没有理论问题。

对 P20，mechanism preservation必须相对于 abstraction来写：保存的是 micro function、DMG edge、cluster relation，还是 identifiable macro functional？它们不是同一个 object。

对 DiscoSCM，一个可测的新问题是：显式记录 unit/regime/noise后，是否能把同一 C-DMG下的 compatible micro worlds进一步分开，并改变某个 macro intervention decision？如果只是多存字段，却没有改变 identification或decision，它没有替代 formal calculus。

1. Introduction + Figure 1：先理解 genuine cycle、aggregation-induced cycle与hidden intra-cluster cycle三种情况。
2. Definitions 2–6：ioSCM、DMG、C-DMG、macro effect与identifiability是必须分开的五个对象。
3. Definitions 7–8 + Theorems 1–2：理解 σ-separation怎样把 cluster statement量化到所有 compatible DMGs。
4. Theorem 3：把三条 do-calculus rules各自删/换什么写在纸上。
5. Examples 3–5 / Figure 2：尤其逐步重算 Figure 2d 的 cyclic formula，而不只看 theorem。
6. Theorem 4 + Appendix A.5：看 maximal compatible DMG怎样作为 failure witness。
7. Definitions 12–13 + Theorem 5 / Figure 4：理解 SC-projection为何在 strongly connected clusters间补 bidirected edges。
8. Section 4 limitations：最后重新校准摘要里的 completeness用语，记住 DMG-level与SC-hedge open problems。

• Official NeurIPS proceedings: https://proceedings.neurips.cc/paper_files/paper/2025/hash/a07fd55118ac389119fd422cd65afb32-Abstract-Conference.html
• Official paper PDF: https://proceedings.neurips.cc/paper_files/paper/2025/file/a07fd55118ac389119fd422cd65afb32-Paper-Conference.pdf
• Official BibTeX endpoint: https://proceedings.neurips.cc/paper_files/paper/28341-/bibtex
• Foundational cyclic do-calculus paper cited by the source: https://proceedings.mlr.press/v115/forre20a.html