[論文レビュー] Causal inference in partially linear structural equation models: identifiability and estimation

Jan Ernest, Dominik Rothenhaüsler+1 more|arXiv (Cornell University)|Jul 20, 2016

Bayesian Modeling and Causal Inference被引用数 8

ひとこと要約

この論文は、ガウスノイズを伴う部分線形構造方程式モデル（PLSEMs）の同定可能性に関する包括的な理論を確立し、グラフ的、変換的、関数的、因果順序の4つの枠組みを用いて解明する。また、PLSEMの分布同値クラスを一貫的に回復できるスコアベースの推定法を提案し、高次元設定における因果構造学習を可能にする。

ABSTRACT

We consider the identifiability and estimation of partially linear additive structural equation models with Gaussian noise (PLSEMs). Existing identifiability results in the framework of additive SEMs with Gaussian noise are limited to linear and nonlinear SEMs, which can be considered as special cases of PLSEMs with vanishing nonparametric or parametric part, respectively. We close the wide gap between these two special cases by providing a comprehensive theory of the identifiability of PLSEMs by means of (A) a graphical, (B) a transformational, (C) a functional and (D) a causal ordering characterization of PLSEMs that generate a given distribution. In particular, the characterizations (C) and (D) answer the fundamental question to which extent nonlinear functions in additive SEMs with Gaussian noise restrict the set of potential causal models and hence influence the identifiability. On the basis of the transformational characterization (B) we provide a score-based estimation procedure that outputs the graphical representation (A) of the distribution equivalence class of a given PLSEM. We derive its (high-dimensional) consistency and demonstrate its performance on simulated datasets.

研究の動機と目的

• 線形と非線形加法的SEMの間のギャップを埋めるために、ガウスノイズを伴う部分線形SEMの統一的同定可能性理論を構築すること。
• 与えられた分布を生成できる因果モデルの集合を、4つの異なる枠組み（グラフ的、変換的、関数的、因果順序）を用いて特徴付けること。
• 加法的SEMにおける非線形関数が、潜在的な因果モデルの集合をどの程度制約するか、同定可能性にどのように影響するかという根本的な問いに答えること。
• 計算的に実行可能で、PLSEMの分布同値クラスのグラフィカル表現を出力するスコアベースの推定手順を開発すること。
• 提案手法の高次元での一貫性を確立し、シミュレーテッドデータ上でその性能を検証すること。

提案手法

• 論文は、誤差変数の特定の変換を通じてPLSEMの分布とその背後にある構造方程式を結びつける変換的特徴付け（B）を導入する。
• 変換的特徴付けに基づいてスコアベースの推定手順を定式化し、分布同値クラスのグラフィカル構造の回復を可能にする。
• 関数的および因果順序特徴付け（CおよびD）を活用して、観測されたデータ分布と整合する可能性のある因果モデルの集合を制約する。
• 推定手順は、変数の数が標本サイズとともに増加する高次元設定でも一貫性を保つように設計されている。
• 尤度に基づくスコア関数を用いて、条件付き独立構造の探索を行い、真のグラフのマークフォーク等価クラスを同定する。
• アルゴリズムはシミュレーションにより検証され、さまざまな高次元設定下で同値クラスを正確に回復できることを示している。

実験結果

リサーチクエスチョン

• RQ1 加法的SEMにおける非線形関数が、ガウスノイズを伴う場合に、潜在的な因果モデルの集合をどの程度制限するか、同定可能性にどのように影響するか。
• RQ2 線形および非線形SEMを一般化する部分線形SEMの包括的同定可能性理論を構築できるか。
• RQ3 グラフ的、変換的、関数的、因果順序の枠組みを用いて、PLSEMの分布同値クラスをどのように特徴付けることができるか。
• RQ4 高次元設定において、同値クラスのグラフィカル構造を一貫的に回復できるスコアベースの推定法を構築できるか。
• RQ5 提案手法の実効的性能は、シミュレーテッドデータから真の因果構造をどの程度正確に回復できるか。

主な発見

• 論文は、与えられた分布を生成するPLSEMの集合を完全に記述する4つの異なる特徴付け（グラフ的、変換的、関数的、因果順序）を確立した。
• 変換的特徴付けにより、PLSEMの分布同値クラスを一貫的に回復できるスコアベースの推定手順の設計が可能になった。
• 提案手法は高次元での一貫性を達成しており、変数の数が標本サイズとともに増加する場合でも、同値クラスを正しく特定できる。
• シミュレーテッドデータセットを用いた実効的評価により、PLSEMの元のグラフィカル構造が正確に回復されていることが確認された。
• 関数的および因果順序特徴付けは、PLSEMにおける非パラメトリック成分が、可能な因果モデルの集合をどのように制約するかという理論的洞察を提供する。
• 結果から、ガウスノイズを伴う加法的SEMにおける非線形関数が、線形の場合よりも顕著に潜在的な因果モデルの集合を制限し、同定可能性を向上させることを示している。