[論文レビュー] Adjacency-Faithfulness and Conservative Causal Inference

Joseph Ramsey, Jiji Zhang+1 more|arXiv (Cornell University)|Jun 27, 2012

Bayesian Modeling and Causal Inference被引用数 56

ひとこと要約

本稿では、標準的な因果的忠実性仮定を緩和するための、保守的PC（CPC）アルゴリズムを紹介する。CPCは、データ内のすべての条件付き独立関係がスケルトンに反映されることを要件とする隣接忠実性（Adjacency-Faithfulness）のみを要求する。CPCはエッジの向きを決定する段階で、向きの忠実性（Orientation-Faithfulness）のテストを実施することで、因果的推論を改善する。もし向きの忠実性が破られる場合、誤った因果的方向性を導くのを回避する。この手法は、より弱い仮定のもとでも高い正確性を維持し、有限標本においても誤った矢先の数を著しく削減するが、元のPCアルゴリズムとほぼ同等の速度で動作する。

ABSTRACT

Most causal inference algorithms in the literature (e.g., Pearl (2000), Spirtes et al. (2000), Heckerman et al. (1999)) exploit an assumption usually referred to as the causal Faithfulness or Stability condition. In this paper, we highlight two components of the condition used in constraint-based algorithms, which we call "Adjacency-Faithfulness" and "Orientation-Faithfulness". We point out that assuming Adjacency-Faithfulness is true, it is in principle possible to test the validity of Orientation-Faithfulness. Based on this observation, we explore the consequence of making only the Adjacency-Faithfulness assumption. We show that the familiar PC algorithm has to be modified to be (asymptotically) correct under the weaker, Adjacency-Faithfulness assumption. Roughly the modified algorithm, called Conservative PC (CPC), checks whether Orientation-Faithfulness holds in the orientation phase, and if not, avoids drawing certain causal conclusions the PC algorithm would draw. However, if the stronger, standard causal Faithfulness condition actually obtains, the CPC algorithm is shown to output the same pattern as the PC algorithm does in the large sample limit. We also present a simulation study showing that the CPC algorithm runs almost as fast as the PC algorithm, and outputs significantly fewer false causal arrowheads than the PC algorithm does on realistic sample sizes. We end our paper by discussing how score-based algorithms such as GES perform when the Adjacency-Faithfulness but not the standard causal Faithfulness condition holds, and how to extend our work to the FCI algorithm, which allows for the possibility of latent variables.

研究の動機と目的

• 強い因果的忠実性仮定に依存する標準的な因果推論アルゴリズムの過剰な楽観的傾向を是正すること。
• 制約に基づく因果的発見における忠実性の二つの側面、すなわち隣接忠実性と向きの忠実性を特定・分離すること。
• 向きの忠実性が成立しない場合に、誤った因果的向き付けを避ける保守的アルゴリズムを構築すること。一方で、標準的な忠実性条件が成り立つ場合には正しく動作すること。
• 特に誤った因果的矢先の数を削減することを目的として、現実的な標本サイズにおける修正されたアルゴリズムの性能を評価すること。
• 潜在変数を含む状況下でのスコアベースの手法（例：GES）やFCIアルゴリズムへの拡張に対する影響を検討すること。

提案手法

• 本稿では、標準的な因果的忠実性仮定を二つの部分に分解する：隣接忠実性（データ内のすべての条件付き独立関係がスケルトンに反映される）と向きの忠実性（スケルトン内のd分離関係がエッジの正しい向き付けを導く）。
• 本稿では、PCアルゴリズムを修正し、向きの忠実性のテストを向き付け段階に追加した保守的PC（CPC）アルゴリズムを提案する。
• 向きの忠実性が破られる場合、CPCは標準的なPCアルゴリズムが導く可能性のある特定の因果的向き付けを実行しない。
• アルゴリズムは、隣接忠実性のもとではPCと同一のスケルトンを維持し、向きの忠実性が破れる場合にのみ向き付けの意思決定を制限する。
• CPCアルゴリズムは、より弱い隣接忠実性仮定のもとで漸近的に正しい結果を導き、標準的な忠実性条件が成り立つ場合にはPCと同一の出力を得る。
• シミュレーションスタディにより、CPCとPCを有限標本で比較し、誤った矢先の発生率と実行時間の両方を測定する。

実験結果

リサーチクエスチョン

• RQ1 隣接忠実性が仮定されたもとで、向きの忠実性を実証的にテストできるか？
• RQ2 完全な因果的忠実性条件ではなく、隣接忠実性のみに依存する場合の結果は何か？
• RQ3 制約に基づく因果的発見アルゴリズムを、誤った因果的向き付けを避けるためにどのようにしてより保守的にすることができるか？
• RQ4 提案された保守的アルゴリズムは、有限標本設定でも高い正確性と効率を維持するか？
• RQ5 スコアベースの手法（例：GES）は、完全な忠実性条件ではなく、隣接忠実性のみが成り立つ場合にどのように振る舞うか？

主な発見

• CPCアルゴリズムは、より弱い隣接忠実性仮定のもとで漸近的に正しい結果を導く。標準的な忠実性が成立しない場合でも、有効な因果構造学習が保証される。
• 標準的な因果的忠実性条件が成り立つ場合、CPCは大標本の極限においてPCアルゴリズムと同じ出力を得る。
• 有限標本において、CPCは標準的なPCアルゴリズムよりも誤った因果的矢先の数を著しく削減する。
• CPCアルゴリズムは、PCアルゴリズムとほぼ同等の速度で動作し、保守的チェックによる計算コストの増加は最小限である。
• 本稿では、隣接忠実性が仮定されたもとで、向きの忠実性を実証的にテスト可能であることを示し、根拠に基づいた保守的推論戦略の実現が可能であることを示している。
• 研究結果から、CPCアプローチをFCIアルゴリズムに拡張することが可能であり、潜在的交絡要因が存在する状況でもより高いロバストネスが得られる可能性がある。