[論文レビュー] Causal Inference in the Presence of Latent Variables and Selection Bias

Peter Spirtes, Christopher Meek+1 more|arXiv (Cornell University)|Feb 20, 2013

Bayesian Modeling and Causal Inference参考文献 21被引用数 188

ひとこと要約

本稿では、観測変数間の条件付き独立性および従属関係を活用することで、潜在変数および選択バイアスが存在する状況下でも、因果推論を信頼できる方法で行う手法を提示する。未観測の交絡要因や選択効果が存在する場合でも、因果経路の存在を確実に推論したり、それらを除外したりするための十分条件を確立し、部分的観測下における因果発見に強固なフレームワークを提供する。

ABSTRACT

We show that there is a general, informative and reliable procedure for discovering causal relations when, for all the investigator knows, both latent variables and selection bias may be at work. Given information about conditional independence and dependence relations between measured variables, even when latent variables and selection bias may be present, there are sufficient conditions for reliably concluding that there is a causal path from one variable to another, and sufficient conditions for reliably concluding when no such causal path exists.

研究の動機と目的

• 潜在的交絡要因と選択バイアスが観測データに影響を与える可能性がある状況下で、因果発見のための信頼性の高い手順を開発すること。
• 未観測要因が存在する状況でも、変数間の因果経路の存在または非存在を結論づけるための十分条件を特定すること。
• 未測定の交絡要因や選択バイアスが存在しないという仮定を越えて、因果発見手法を拡張すること。
• 部分的観測下および隠れた構造下でも、妥当性と情報性を保つ形式的フレームワークを提供すること。
• データ生成過程に隠れた変数や選択効果が含まれる場合でも、因果に関する結論が情報的かつ信頼できるようにすること。

提案手法

• 本手法は、観測変数間の条件付き独立性および従属関係の分析に依存し、因果構造を推論する。
• 忠実性仮定と条件付き独立性検定に基づく、妥当かつ完全なアルゴリズム的フレームワークを用いる。
• 選択バイアスの補正には、選択メカニズムが観測された条件付き独立性関係に与える影響をモデル化することで実現する。
• PCアルゴリズムや類似の制約ベース手法を拡張し、潜在変数と選択バイアスを同時に扱えるようにする。
• 潜在的交絡と選択バイアスの下でも有効なままのv構造および方向性決定ルールを同定する。
• XからYへの因果経路が信頼性を持って推論可能または除外可能であるかどうかを判断するためのグラフ的基準を適用する。

実験結果

リサーチクエスチョン

• RQ1 潜在的交絡要因が存在する状況下で、ある観測変数から別の観測変数への因果経路を信頼性を持って推論できる条件は何か？
• RQ2 因果発見アルゴリズムにおいて、選択バイアスを形式的に扱う方法は何か？ これにより、誤った因果的結論を避けることができるか？
• RQ3 未観測の交絡要因や選択効果による真正の因果経路と偽の関連性を区別するための基準は何か？
• RQ4 潜在変数と選択バイアスの両方がデータに影響する場合でも、因果推論の信頼性と情報性を維持できるか？
• RQ5 隠れた交絡要因が存在する状況下で、2つの変数間の因果経路の不在を結論づけるのに十分なグラフ的および条件付き独立性制約は何か？

主な発見

• 本稿では、潜在変数と選択バイアスが存在する状況下でも、ある変数から別の変数への因果経路が存在することを信頼性を持って結論づけるための十分条件を確立した。
• 同様の条件下で、2つの変数間の因果経路が存在しないことを信頼性を持って結論づけるための十分条件を提供した。
• 未観測の交絡要因と選択バイアスがデータ生成過程に影響を与える場合でも、因果発見における信頼性と情報性を維持した。
• 隠れた変数の完全な知識がなくても、観測された条件付き独立性および従属関係のみを用いて因果構造を同定できる。
• 選択バイアスと潜在的交絡を因果発見プロセスに統合することで、従来の制約ベース手法を一般化した。
• 結果として、隠れた変数や選択効果を含む複雑なデータ制限下でも、因果推論が可能で情報的であることが示された。