[論文レビュー] An Alternative Markov Property for Chain Graphs

Steen A. Andersson, David Madigan+1 more|arXiv (Cornell University)|Feb 13, 2013

Bayesian Modeling and Causal Inference参考文献 22被引用数 45

ひとこと要約

この論文は、因果的および関連的依存関係をモデル化するための有向および無向辺を併せ持つ混合グラフ（チェーングラフ）の代替的マルコフ性（AMP）を導入する。LWF マルコフ性とは異なり、AMP は非巡回有向グラフ（ADG）のマルコフ性をより直接的に拡張しており、特に観測データと介入データの両方を含む文脈において、条件付き独立性の解釈がより直感的かつ統計的に整合性を持つようになる。

ABSTRACT

Graphical Markov models use graphs, either undirected, directed, or mixed, to represent possible dependences among statistical variables. Applications of undirected graphs (UDGs) include models for spatial dependence and image analysis, while acyclic directed graphs (ADGs), which are especially convenient for statistical analysis, arise in such fields as genetics and psychometrics and as models for expert systems and Bayesian belief networks. Lauritzen, Wermuth and Frydenberg (LWF) introduced a Markov property for chain graphs, which are mixed graphs that can be used to represent simultaneously both causal and associative dependencies and which include both UDGs and ADGs as special cases. In this paper an alternative Markov property (AMP) for chain graphs is introduced, which in some ways is a more direct extension of the ADG Markov property than is the LWF property for chain graph.

研究の動機と目的

• チェーングラフにおける LWF マルコフ性の限界を解消すること。これは、直感的でない条件付き独立性の主張を生じさせることがある。
• 非巡回有向グラフ（ADG）のマルコフ性をより自然に拡張するチェーングラフのためのマルコフ性を構築すること。
• 有向および無向辺を併せ持つ混合グラフを用いて、因果的および関連的依存関係をモデル化するための統計的に整合性があり解釈可能なフレームワークを提供すること。
• 観測データと介入データの両方を含む応用において、特に条件付き独立性の表現を改善すること。

提案手法

• 有向および無向辺を併せ持つ混合グラフに適応された d-分離の概念に基づいて、チェーングラフのための新しいマルコフ性（AMP）を提案する。
• チェーン成分の構造を考慮することで、d-分離を一般化した m-分離の概念を用いて、AMP マルコフ性を定義する。
• チェーングラフが変数の確率分布を表す際の条件付き独立性構造を、AMP 性質を用いて特徴付ける。
• AMP 性質が、グラフ構造と整合的な関数の因数分解を導くことを確立する。
• AMP 性質がマルコフ同値性に関して不変であることを示し、モデル選択における堅牢性を保証する。
• AMP 性質と LWF 性質の条件付き独立性への影響を比較し、LWF が生じさせる一部の直感的でない結果を AMP が回避することを示す。

実験結果

リサーチクエスチョン

• RQ1 非巡回有向グラフ（ADG）のマルコフ性を、チェーングラフへより直接的に拡張するためのマルコフ性をどのように定式化できるか？
• RQ2 提案された AMP マルコフ性の条件付き独立性の含意は、LWF 性質と比べてどのように異なるか？
• RQ3 AMP 性質は、有向および無向辺を併せ持つグラフィカルモデルにおいて、より直感的かつ統計的に整合性のある解釈を提供するか？
• RQ4 AMP 性質を用いて、グラフ構造を尊重する有効な関数の因数分解を導出できるか？
• RQ5 マルコフ同値性およびモデル選択という観点から、AMP 性質は LWF 性質と比べてどのように異なるか？

主な発見

• AMP マルコフ性は、LWF 性質よりも非巡回有向グラフ（ADG）のマルコフ性をチェーングラフへより直接的かつ直感的に拡張するものである。
• AMP 性質は、LWF 性質のもとで生じ得る一部の直感的でない条件付き独立性の主張を回避する。
• AMP 性質は、グラフ構造と整合的な有効な関数の因数分解を導く。
• AMP 性質はマルコフ同値性に関して不変であり、同値なグラフが同じ条件付き独立性構造を誘導することを保証する。
• AMP 性質は、因果的および関連的依存関係を混合グラフィカルモデルでモデル化するのに適していることが示された。
• 本論文は、AMP 性質が、観測データと介入データの両方を含む応用において、チェーングラフの条件付き独立性の解釈をより整合的に行うことを示している。