[論文レビュー] A review of some recent advances in causal inference

Marloes H. Maathuis, Preetam Nandy|arXiv (Cornell University)|Jun 25, 2015

Bayesian Modeling and Causal Inference参考文献 58被引用数 4

ひとこと要約

この論文は、因果構造が既知または未知である場合に、大規模な観察データにおける因果推論の最近の進展をレビューしている。グラフィカルモデル、do-計算、IDA や FCI といったアルゴリズムを用いて構造学習と因果効果推定を行うが、実世界の科学的応用における実用性と不確実性の評価を重視している。

ABSTRACT

We give a selective review of some recent developments in causal inference, intended for researchers who are not familiar with graphical models and causality, and with a focus on methods that are applicable to large data sets. We mainly address the problem of estimating causal effects from observational data. For example, one can think of estimating the effect of single or multiple gene knockouts from wild-type gene expression data, that is, from gene expression measurements that were obtained without doing any gene knockout experiments. We assume that the observational data are generated from a causal structure that can be represented by a directed acyclic graph (DAG). First, we discuss estimation of causal effects when the underlying causal DAG is known. In large-scale networks, however, the causal DAG is often unknown. Next, we therefore discuss causal structure learning, that is, learning information about the causal structure from observational data. We then combine these two parts and discuss methods to estimate (bounds on) causal effects from observational data when the causal structure is unknown. We also illustrate this method on a yeast gene expression data set. We close by mentioning several extensions of the discussed work.

研究の動機と目的

• グラフィカルモデルや因果推論に馴染みのない研究者を対象に、現代の因果推論手法について包括的かつ理解しやすいレビューを提供すること。
• 特に、無作為化実験が不適切な観察データから得られる大規模データに適した技術に焦点を当てること。
• 因果的でない質問と因果的質問の違い、観察データと実験データの違いを明確にし、適切な問題定式化を導くこと。
• 因果構造が既知または未知である場合の因果効果推定手法、構造学習および調整基準を提示すること。
• 不確実性の評価や、観察データの限界といった未解決の課題を強調すること、特に無作為化実験との比較において。

提案手法

• 因果的関係と条件付き独立構造を表現するために、グラフィカルモデル（DAG、CPDAG、MAG、PAG）を用いる。
• do-計算とバックドア基準を適用して、介入分布を推定するための有効な調整集合を同定する。
• 制約ベース法（例：PC、FCI）とスコアベース法を用いて、観察データから因果的構造を学習する。
• 因果グラフが部分的に既知である場合に、因果効果を推定するための IDA および JointIDA を導入する。
• 標本分割と残差ベースのアプローチを用いて、因果効果推定における不確実性の評価を改善する。
• FCI、RFCI、FCI+ などのアルゴリズムを高次元および異種データ、特に時系列データや隠れ交絡要因を含むデータに適応させる。

実験結果

リサーチクエスチョン

• RQ1 因果構造が既知である場合に、観察データから因果効果をどのように推定できるか。
• RQ2 特に高次元または複雑な設定において、観察データから因果的構造を学習する手法は何か。
• RQ3 因果構造が未知である場合に、IDA や JointIDA といったアルゴリズムを用いて因果効果の大きさをどのように推定できるか。
• RQ4 観察データが因果効果を推定する上でどのような限界を有するか、また推定値の不確実性を適切に評価するにはどうすればよいか。
• RQ5 因果推論手法を時系列データ、隠れ変数、および異種データソースに対応させるにはどうすればよいか。

主な発見

• 因果構造が既知である場合、グラフィカルモデルと do-計算を用いることで観察データからの因果推論が可能であるが、未測定の交絡要因やモデル仮定に敏感である。
• バックドア基準は有効な調整の十分条件を提供するが、最近の研究では、さまざまなグラフタイプにおける調整の必要十分条件が確立された。
• IDA や JointIDA は、完全な因果グラフが不明な場合でも直接的因果効果を推定可能であるが、IDA における回帰による標準誤差は真の不確実性を低く見積もる傾向がある。
• FCI、RFCI、FCI+ といったアルゴリズムは、隠れ変数やフィードバックループが存在する状況でも因果的構造学習が可能であり、RFCI については高次元での一貫性が証明されている。
• 時系列データは、同時的およびラグ付きの依存関係をモデル化することで因果推論に活用でき、VAR モデルや残差ベースの構造学習が有効である。
• 標本分割と残差ベースの手法により、漸近的に有効な信頼区間が得られ、因果効果推定における不確実性の評価が向上する。