https://www.bradyneal.com/causal-inference-course
Introduction to Causal Inference라는 강의를 듣고 정리했습니다.

---

3. The Flow of Association and Causation in Graphs

---

3-1. Local Markov assumption

• non-descendant에 대하여 independent
• 아래 상황에서 $P(x_4|x_3,x_2,x_1)=P(x_4|x_3)$
  

3-2. Bayesian network factorization

• parent만 child에게 영향을 준다는 의미
• local markov assumption = bayesian network factorization

3-3. Minimality assumption

• local markov assumption : non-descendant에 대하여 independent
  • statistical independency
• adjacent nodes는 dependent
  • statistical dependency

3-4. Causal edges assumption

• every parent가 모든 children의 direct cause가 된다.

3-4. Chain and Fork

• 증명
  

3-4. Immoralities(Collider)

• collider의 parents의 independence 증명
  
• conditioning on descendants of collider
  • collider의 parent의 independence가 깨진다.

3-5. Blocked path definition

• conditioning set에
  • Confounder는 모두 포함
  • Collider와 Collider의 desendants는 모두 포함되지 않음

3-6. d-separation

이해안됨.